Page 336 - 《软件学报》2026年第1期

张其阳 等: 卫星边缘计算智能化技术研究进展 333

年提出, 通过卷积神经网络提取图像中的候选区域特征, 但运行速度较慢且效率低下. Fast R-CNN 作为 R-CNN 的
改进版本, 采用 VGG16 替代 AlexNet [27] , 将特征提取、目标分类和位置回归整合为一体, 显著提高了训练和测试
速度, 同时提升了检测精度. 然而, Fast R-CNN 在提取候选区域时仍依赖于 CPU 上的选择性搜索算法, 限制了其
运行效率. 为解决上述问题, Faster R-CNN 提出了利用区域建议网络代替选择性搜索算法, 并将候选区域选择、目
标分类和定位统一集成到一个框架中, 从而加快了目标检测速度, 同时保持较高的准确性. 目前, 许多研究致力于
改进深度学习检测框架并将其应用于卫星图像领域. 例如, Lin 等人 [28] 结合级联 AdaBoost 算法与 R-CNN 模型, 提
出了一种从粗粒度到细粒度的目标识别算法, 在减少计算量的同时显著提高了高分遥感影像中的目标检测精度.
Fratini 等人 [29] 基于 Faster R-CNN 提出了特征融合与软判决结合的目标检测算法, 有效提升了对图像中小目标的
检测精度. Verfaillie 等人 [30] 针对遥感影像中目标方向的不确定性, 将旋转区域网络引入 Faster R-CNN 框架, 通过
在全连接层前增加卷积层以减少特征图维度, 从而提升分类器性能, 实现了更优的目标检测效果.
相较于复杂的两段式目标识别方法, 单段式目标识别算法在计算资源有限或对实时性要求较高的场景中展现
出显著优势. 在卫星图像处理场景中, 由于目标检测系统对时效性的要求极高, 模型需要具备低计算复杂度和高运
行速度. 单段式算法将目标识别问题建模为回归问题, 直接从输入图像中输出目标类别和位置, 无需生成候选区
域, 从而显著提高了检测速度. YOLO 系列算法是单段式方法的典型代表, 通过摒弃候选区域生成步骤, 同时预测
目标的位置和类别, 极大地提升了检测速度. 自 2015 年推出首个版本以来, YOLO 算法得到了持续优化: YOLOv1
首次将整幅图像作为网络输入, 在输出层对目标类别与位置进行回归. YOLOv2 则在多数据集训练检测器, 在提升
检测速度与准确率等方面取得显著改进. YOLOv3 引入二值交叉熵函数和 Darknet-53 基础网络, 在速度和精度之
间实现了良好的平衡. 目前, YOLO 系列已发展至第 9 版, 并广泛应用于卫星图像目标检测. 例如, van Etten 等人 [31]
针对高分辨率图像和密集小目标检测优化了 YOLO 算法. Verfaillie 等人 [32] 结合 YOLO 算法和图像分割技术, 在
保证准确率与实时性的同时实现了卫星目标识别. Bensana 等人 [33] 通过改进 YOLOv3 网络结构, 有效应对了小目
标检测的挑战, 在地震受灾区域遥感图像中成功检测到损毁建筑.
为了降低深度学习模型的推理开销, 设计轻量级模型是一种有效途径. 例如, SqueezeNet [34] 通过创新的 fire
module 模块, 将参数量压缩至 AlexNet 的 2%, 但精度保持相当. 该模块使用 1×1 的卷积压缩特征图通道数 (squeeze
层), 并结合 1×1 和 3×3 卷积生成输出特征 (expand 层), 在大幅减少模型参数量的同时保持性能. ShuffleNet [35] 通过
分组卷积减少参数量和计算量, 并通过 shuffle 操作重新排列通道, 从而实现分组卷积中的信息融合. 这些技术极
大地提高了模型的效率, 为资源受限场景下的卫星图像处理提供了新的技术解决方案.
基于压缩技术的深度学习模型推理方法: 性能优越的深度学习模型通常具有庞大的规模, 这不仅带来了存储
需求的显著增加, 而且使其很难部署在资源受限的设备上. 此外, 大规模模型的参数量和计算量的增加导致了推理
过程中时间和能耗开销. 在卫星边缘环境中, 研究轻量化且高效的星载遥感数据压缩编码技术具有重要意义. 在数
据编码阶段, 需显著减少计算需求, 以适应卫星边缘计算环境的资源限制; 即使在较高的数据丢失率条件下, 这些
技术也能够准确重建高质量的遥感图像, 为卫星任务的实时处理提供可靠支持. 当前主流的星载遥感数据压缩编
码方法总结如表 5 所示. 其中, 经典的模型压缩技术包括模型量化、参数剪枝和共享及知识蒸馏技术等.

表 5 目前主流的星载数据压缩编码方法比较

数据压缩编码方案 核心思想 压缩比 压缩速度 数据完整性 计算复杂度
有损压缩 丢失原始大型数据细节 高 高 中等 中等
无损压缩 无损压缩原始数据 中等 中等 高 高
近乎无损压缩 最小数据丢失可控 中等 中等 中等 中等
矢量化压缩 输入数据被转换成不同的域 高 中等 高 高
转换编码 输入数据被分类成一组有限的值 高 中等 高 高

(a) 模型量化技术. 模型量化是一种通过减少模型参数数值表示位数来降低模型复杂性和内存占用的有效方
法. 传统的量化方式包括 16-bit、 8-bit 和 2-bit 表示. 研究表明, 低比特量化在显著减少参数量和计算量的同时, 几
乎不影响模型精度, 从而展现出优异的性能. 当前, 8-bit 量化是工业界最常用的方案, 它能够实现参数体积的 4 倍