KARMA：基于Kolmogorov-Arnold表示学习的高效结构缺陷分割
计算机视觉与模式识别
2025-11-10 v3
摘要
公路基础设施的语义缺陷分割因缺陷外观变化、恶劣成像条件和显著类别不平衡而具有挑战性。尽管当前深度学习方法有效，但通常需要数百万参数，难以用于实时检查系统。我们引入KARMA（Kolmogorov-Arnold Representation Mapping Architecture），一个高度有效的语义分割框架，通过一维函数的组合来建模复杂缺陷模式，而非传统卷积。KARMA具有三个技术创新：（1）参数高效的Tiny Kolmogorov-Arnold Network（TiKAN）模块，利用低秩分解进行KAN-based特征转换；（2）针对多尺度缺陷分析的优化特征金字塔结构，采用深度可分离卷积；（3）静态-动态原型机制，增强不平衡类别的特征表示。在基准基础设施检查数据集上的大量实验表明，KARMA在保持显著更少参数（0.959M vs. 31.04M，降低97%）的同时，实现了与最先进方法竞争或更好的平均IoU性能。 operating at 0.264 GFLOPS，KARMA保持适用于实时部署的推理速度，使无需牺牲准确性即可实现实际的自动化基础设施检查系统。该源代码可在以下URL访问：https://github.com/faeyelab/karma。
引用
@article{arxiv.2508.08186,
title = {KARMA: Efficient Structural Defect Segmentation via Kolmogorov-Arnold Representation Learning},
author = {Md Meftahul Ferdaus and Mahdi Abdelguerfi and Elias Ioup and Steven Sloan and Kendall N. Niles and Ken Pathak},
journal= {arXiv preprint arXiv:2508.08186},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication