Light-ResKAN：一种基于Gram多项式的参数共享轻量级KAN用于高效SAR图像识别

合成孔径雷达（SAR）图像识别对于灾害监测、军事侦察和海洋观测至关重要。然而，大的SAR图像尺寸阻碍了深度学习在资源受限的边缘设备上的部署，现有的轻量级模型难以平衡高精度特征提取与低计算需求。新兴的Kolmogorov-Arnold网络（KAN）通过用可学习激活函数替换固定激活函数来增强拟合能力，减少了参数和计算量。受KAN启发，我们提出了Light-ResKAN，以在精度和效率之间实现更好的平衡。首先，Light-ResKAN修改了ResNet，用KAN卷积替换了卷积，实现了对SAR图像的自适应特征提取。其次，我们使用Gram多项式作为激活函数，它非常适合SAR数据以捕获复杂的非线性关系。第三，我们采用了一种参数共享策略：每个卷积核在每个通道上共享参数，在保留独特特征的同时减少了参数和FLOPs。我们的模型在MSTAR、FUSAR-Ship和SAR-ACD数据集上分别达到了99.09%、93.01%和97.26%的准确率。在调整大小为$1024 \times 1024$的MSTAR上的实验表明，与VGG16相比，我们的模型将FLOPs减少了$82.90 \times$，参数减少了$163.78 \times$。这项工作为边缘SAR图像识别建立了一个高效的解决方案。