Jun, 2024

如何学习更多？探索科尔莫哥罗夫 - 阿诺德网络用于高光谱图像分类

PDF
TL;DR本研究评估了 Kolmogorov-Arnold Networks（KANs）在复杂高光谱图像（HSI）数据分类中的有效性，并提出了一种利用 1D、2D 和 3D KANs 的混合架构，实验证明该 KAN 架构相比于多个基于 CNN 和 ViT 的算法在多个基准数据集上具有竞争力或更好的能力。
convolutional neural networksvision transformersmulti-layer perceptronskolmogorov-arnold networkshsi data classification
发现论文，激发创造
  • SpectralKAN: 霍尔莫斯彭－阿诺德网络用于高光谱图像变化检测

    使用深度学习方法，我们提出了一种名为 SpectralKAN 的光谱 Kolmogorov-Arnold 网络，用于高光谱图像变化检测（HSIs-CD），通过多变量连续函数及激活函数组合进行特征提取和分类，并成功验证了其在 HSIs-CD 的高准确性和较低的资源需求。

    Jul, 2024

  • 远程感知中的卫星图像分类的 Kolmogorov-Arnold 网络

    本研究提出了一种名为 KCN 的新方法，将 Kolmogorov-Arnold Network（KAN）与各种预训练的卷积神经网络（CNN）模型结合，以用于利用 EuroSAT 数据集进行遥感场景分类任务，取得了高准确性且仅需少量训练轮数和参数，为遥感分类任务中的图像分析提供了一种高效的替代方案。

    Jun, 2024

  • 揭示小波的威力：一种基于小波的 Kolmogorov-Arnold 网络用于高光谱图像分类

    该研究采用 Wavelet-based Kolmogorov-Arnold Network (wav-kan) 架构来进行高光谱图像分类，利用可学习的小波函数作为激活函数，实现对输入光谱特征的非线性映射，达到有效地捕捉多尺度空间和谱域模式的目的。实验结果表明，该方法在分类性能上优于传统的多层感知器和基于样条曲线的模型，并提出了进一步验证其泛化能力、捕捉尺度不变特征、降维技术对分类性能的影响、优化方法以及与其他同类模型比较的未来工作。

    Jun, 2024

  • 展示科尔莫戈洛夫 - 阿诺德网络在视觉任务中的效力

    我们通过对 MNIST、CIFAR10 和 CIFAR100 数据集进行多次试验，使用批量大小为 32，证明了 Kolmogorov-Arnold Network（KAN）在视觉任务中的有效性。研究结果表明，KAN 在 CIFAR10 和 CIFAR100 上优于 MLP-Mixer，但稍逊于最先进的 ResNet-18。本研究揭示了 KAN 在图像分类任务中的潜力，并提出了进一步改进其性能的方向。

    Jun, 2024

  • KAN 在计算机视觉中的适用性：初步调查

    Kolmogorov-Arnold Networks (KANs) are evaluated for visual modeling in image recognition tasks, comparing their performance and efficiency with conventional models, highlighting their potential and areas for further research.

    Jun, 2024

  • 科尔莫戈洛夫－阿诺德卷积：设计原则与实证研究

    本文探讨了 Kolmogorov-Arnold Networks 在计算机视觉领域的应用，提出了参数高效的设计和微调算法，并在图像分类和分割任务中取得了最新成果。

    Jul, 2024

  • 卷积科尔莫哥洛夫 - 阿诺德网络

    这篇论文提出了卷积科尔莫戈洛夫 - 阿诺德网络（Convolutional KANs），这是标准卷积神经网络（CNN）的一种创新替代方法，我们将科尔莫戈洛夫 - 阿诺德网络（KANs）中的非线性激活函数集成到卷积中，构建出一个新的层。我们在 MNIST 和 Fashion-MNIST 基准测试中对 Convolutional KANs 的性能进行了实证验证，表明这种新方法在准确性方面保持了类似水平，同时只使用了一半的参数。这种参数量的显著减少打开了推进神经网络架构优化的新途径。

    Jun, 2024

  • Kolmogorov-Arnold 网络（KANs）用于时间序列分析

    通过将 Kolmogorov-Arnold Networks (KANs) 应用于时间序列预测，利用它们的自适应激活函数来增强预测建模能力。证明了在实际卫星流量预测任务中，KANs 相对于传统的多层感知机 (MLPs) 能够以更准确的结果和更少的可学习参数提供更好的性能。此外，还对 KAN-specific 参数的影响进行了深入研究，为自适应预测模型开辟了新的途径，强调了 KANs 作为强大预测分析工具的潜力。

    May, 2024

  • 平滑的科尔莫戈洛夫・阿诺德网络启用结构知识表征

    研究使用具有固定网络拓扑结构的 Kolmogorov-Arnold 网络（KAN）作为传统多层感知器（MLP）架构的高效可解释替代方法，探讨了 KAN 中平滑性的相关性，并提出了在特定函数类中，具有平滑且结构知情的 KAN 可以达到与 MLP 相等的效果，从而减少训练所需的数据，并降低生成虚假预测的风险，从而提高计算生物医学模型的可靠性和性能。

    May, 2024

  • 基于表格数据的 Kolmogorov-Arnold 网络的基准研究

    本文在真实的表格式数据集上进行了 Kolmogorov-Arnold Networks (KANs) 和 Multi-Layer Perceptrons (MLPs) 的基准测试研究，结果显示 KANs 在处理复杂数据时表现出色，但相较于可比较大小的 MLPs，其计算成本较高。

    Jun, 2024