探索Kolmogorov-Arnold网络用于高光谱图像分类
计算机视觉与模式识别
2024-06-25 v1
摘要
卷积神经网络（CNN）和视觉转换器（ViT）在复杂高光谱图像（HSI）分类中表现优异。然而，这些模型需要大量训练数据且计算资源密集。另一方面，现代多层感知器（MLP）已显示出卓越的分类能力。这些现代MLP-based模型所需的训练数据显著少于CNN和ViT，实现了最先进的分类准确率。最近，Kolmogorov-Arnold网络（KANs）被提出作为MLP的可行替代方案。由于其内部类似于样条函数且外部类似于MLP，KANs能够以卓越的准确度优化所学特征，并能够学习新特征。因此，在本研究中，我们评估了KANs在复杂HSI数据分类中的有效性。此外，为了提高KANs获得的HSI分类准确率，我们开发并提出了一种利用1D、2D和3D KANs 的混合架构。为展示所提KANs架构的有效性，我们在三个全新的HSI基准数据集上进行了广泛实验：QUH-Pingan、QUH-Tangdaowan 和 QUH-Qingyun。结果强调，开发的混合KANs基于模型在这些基准数据集上相对于多种其他CNN和ViT 算法（包括1D-CNN、2DCNN、3D CNN、VGG-16、ResNet-50、EfficientNet、RNN 和 ViT）具有竞争甚至更好的性能。代码已公开于 https://github.com/aj1365/HSIConvKAN。
引用
@article{arxiv.2406.15719,
title = {How to Learn More? Exploring Kolmogorov-Arnold Networks for Hyperspectral Image Classification},
author = {Ali Jamali and Swalpa Kumar Roy and Danfeng Hong and Bing Lu and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2406.15719},
year = {2024}
}