面向高光谱图像分类的动态 3D KAN 卷积与自适应网格优化
计算机视觉与模式识别
2025-04-22 v1
摘要
深度神经网络在高光谱图像分类中面临诸多挑战，包括高维数据、地面目标稀疏分布以及光谱冗余性，常导致分类过拟合和泛化能力受限。为更高效地适应地面目标分布，同时在不引入过多参数和跳过冗余信息的前提下提取图像特征，本文提出一种基于改进 3D-DenseNet 模型的 KANet，包含 3D KAN 卷积和自适应网格更新机制。通过在网络边缘引入可学习的单变量 B 样条函数，具体而言，通过将三维邻域展平为向量并对其施用 B 样条参数化的非线性激活函数来取代传统 3D 卷积核的固定线性权重，从而精确捕获高光谱数据中复杂的光谱-空间非线性关系。同时，通过动态网格调整机制，根据输入数据的统计特征自适应更新 B 样条的网格点位置，优化样条函数的分辨率以匹配光谱特征的非均匀分布，显著提高模型在高维数据建模和参数效率方面的准确度，有效缓解维度灾难的产生。这一特征表明该方法在神经比例定律方面具有优于传统卷积神经网络的优势，并在小样本和高噪声场景中有效降低过拟合风险。KANet 通过不增加网络深度或宽度的 3D 动态专家卷积系统提升了模型的表示能力。该方法在 IN、UP 和 KSC 数据集上表现优异，优于主流的高光谱图像分类方法。
引用
@article{arxiv.2504.15155,
title = {Dynamic 3D KAN Convolution with Adaptive Grid Optimization for Hyperspectral Image Classification},
author = {Guandong Li and Mengxia Ye},
journal= {arXiv preprint arXiv:2504.15155},
year = {2025}
}