基于神经网络架构搜索设计多光谱卫星图像主动火点检测分类器

本文展示了使用基于强化学习的神经网络架构搜索（NAS）代理设计用于从多光谱卫星图像中进行主动火点检测的小型神经网络。具体而言，我们旨在设计一个神经网络，可以确定单个多光谱像素是否属于火点，并在受限功率预算的低轨道（LEO）纳米卫星上实现，以便对传感器数据进行板载处理。为了使用强化学习，需要一个奖励函数。我们以回归模型的形式提供该奖励函数，该模型从纯建构特征预测特定架构在 INT8 量化后的 F1 分数。该模型通过收集随机神经网络架构样本、训练这些架构并收集其分类性能统计数据进行训练。除了 F1 分数外，我们还包括模型总 trainable 参数数，以限制所设计模型的大小并确保其适用于纳米卫星平台的资源限制。最后，我们将最佳神经网络部署到 Google Coral Micro Dev Board 上，评估其推理延迟和功耗。该神经网络包含 1,716 个 trainable 参数，平均推理耗时 984{\mu}s，推理功耗约为 800mW。这些结果表明，我们的基于强化学习的 NAS 方法可以成功应用于此前未曾尝试的新问题。