解构视觉任务中的 KAN：RepKAN 方法
计算机视觉与模式识别
2026-03-09 v1 人工智能
摘要
遥感图像分类是地球观测中的关键任务，但标准的卷积神经网络和 Transformer 常常表现为难以解释的黑盒子。我们提出 RepKAN，这是一种新型架构，将 CNN 的结构效率与 KAN 的非线性表征能力相结合。通过采用双路径设计——空间线性路径与光谱非线性路径，RepKAN 能够自动发现类别特定的光谱指纹和物理交互流形。在 EuroSAT 和 NWPU-RESISC45 数据集上的实验结果表明，RepKAN 在提供显式物理可解释推理的同时，优于当前最先进的模型。这些发现表明，RepKAN 有望成为未来可解释视觉基础模型的 backbone。
引用
@article{arxiv.2603.06002,
title = {Demystifying KAN for Vision Tasks: The RepKAN Approach},
author = {Minjong Cheon},
journal= {arXiv preprint arXiv:2603.06002},
year = {2026}
}