基于Kolmogorov-Arnold网络的遥感图像语义分割

语义分割在遥感应用中起着至关重要的作用，其中特征的准确提取和表示对于高质量结果至关重要。尽管编码器-解码器架构被广泛使用，但现有方法往往难以充分利用编码器提取的高维特征，并在解码过程中高效恢复细节信息。为了解决这些问题，我们提出了一种新颖的语义分割网络，即DeepKANSeg，包括基于新兴的Kolmogorov Arnold网络（KAN）的两项关键创新。值得注意的是，KAN的优势在于能够将高维复杂函数分解为单变量变换，从而高效灵活地表示数据中的复杂关系。首先，我们引入了一个基于KAN的深度特征精炼模块，即DeepKAN，以有效捕获高维特征中的复杂空间和丰富语义关系。其次，我们将全局-局部组合解码器中的传统多层感知机（MLP）层替换为基于KAN的线性层，即GLKAN。该模块增强了解码器在解码过程中捕获细粒度细节的能力。为了评估所提方法的有效性，我们在两个著名的精细分辨率遥感基准数据集（即ISPRS Vaihingen和ISPRS Potsdam）上进行了实验。结果表明，与最先进方法相比，KAN增强的分割模型在精度方面取得了优越性能。它们凸显了KAN作为语义分割任务中传统架构的强大替代方案的潜力。此外，显式的单变量分解提供了改进的可解释性，这对于遥感中需要可解释学习的应用尤其有益。