你看得见 KAN 吗？KAN 与哨兵用于有效且可解释的作物田地分割
计算机视觉与模式识别
2025-05-27 v1 人工智能
摘要
作物田地的分割对于提升农业生产力、监测作物健康状况和促进可持续发展至关重要。 用于该任务的深度学习模型必须确保准确可靠的预测，以避免经济损失和环境影响。 近期提出的Kolmogorov-Arnold 网络（KANs）为神经网络性能的提升提供了前景。 本文分析了将 KAN 层集成到 U-Net 架构中（U-KAN）以对作物田地进行分割的方案，针对使用 Sentinel-2 和 Sentinel-1 卫星图像的 U-KAN 进行性能和可解释性分析。 我们的发现表明，与传统的全卷积 U-Net 模型相比，U-KAN 在更少的 GFLOPs 下实现了 2% 的 IoU Improvement。 此外，基于梯度的解释技术显示，U-KAN 的预测高度可信，网络对聚焦于埋植区域边界而非区域本身具有非常高的关注能力。 每通道相关性分析也揭示了其中一些通道与此任务无关。
引用
@article{arxiv.2408.07040,
title = {KAN You See It? KANs and Sentinel for Effective and Explainable Crop Field Segmentation},
author = {Daniele Rege Cambrin and Eleonora Poeta and Eliana Pastor and Tania Cerquitelli and Elena Baralis and Paolo Garza},
journal= {arXiv preprint arXiv:2408.07040},
year = {2025}
}
备注
Accepted at ECCV 2024 CVPPA Workshop