基于模糊池化的卷积Kolmogorov-Arnold网络图像分类
计算机视觉与模式识别
2024-07-24 v1
摘要
当今深度学习模型日益需要兼具可解释性和高精度。我们提出一种方法，将Kolmogorov-Arnold网络（KAN）分类头与模糊池化集成到卷积神经网络（CNN）中。通过利用KAN的可解释性和模糊逻辑的不确定性处理能力，该集成在图像分类任务中展现出提升潜力。我们的比较分析表明，集成KAN和模糊池化的修改CNN架构在准确率上与传统模型相当或更高。研究发现，融合模糊逻辑与KAN用于开发更具可解释性和效率的深度学习模型具有有效性。未来工作将扩展到更大数据集。
引用
@article{arxiv.2407.16268,
title = {Image Classification using Fuzzy Pooling in Convolutional Kolmogorov-Arnold Networks},
author = {Ayan Igali and Pakizar Shamoi},
journal= {arXiv preprint arXiv:2407.16268},
year = {2024}
}
备注
The paper has been submitted to IEEE SCIS ISIS 2024 for consideration