SpectralKAN：基于加权激活分布的Kolmogorov-Arnold网络用于高光谱图像变化检测
计算机视觉与模式识别
2026-01-19 v2 图像与视频处理
摘要
Kolmogorov-Arnold网络（KANs）通过学习激活函数来表示数据特征，在处理低维数据时表现出优异的精度，同时具有更少的参数、更低的FLOPs、更少的GPU内存使用（Memory）、更短的训练时间（TraT）和测试时间（TesT）。然而，当应用于高维数据（包含显著冗余信息）时，当前KANs的激活机制会导致不必要的计算，从而降低计算效率。KANs需要将高维数据重塑为一维张量作为输入，这不可避免地导致维度信息的丢失。为解决这些限制，我们提出了加权激活分布KANs（WKANs），通过减少每个节点的激活频率，并通过权重将节点信息分配到不同的输出节点，以避免提取冗余信息。此外，我们引入了多级张量分解框架（MTSF），该框架分解高维数据以独立提取每个维度的特征，并利用张量并行计算显著提高WKANs在高维数据上的计算效率。本文设计SpectralKAN用于高光谱图像变化检测。SpectralKAN在五个数据集上表现出色，在Farmland数据集上实现了0.9801的整体准确率（OA）和0.9514的Kappa系数（K），仅需8k参数、0.07 M FLOPs、911 MB Memory、13.26 S TraT和2.52 S TesT，凸显了其在准确性与效率之间的卓越权衡。源代码已公开available at https://github.com/yanhengwang-heu/SpectralKAN。
引用
@article{arxiv.2407.00949,
title = {SpectralKAN: Weighted Activation Distribution Kolmogorov-Arnold Network for Hyperspectral Image Change Detection},
author = {Yanheng Wang and Xiaohan Yu and Yongsheng Gao and Jianjun Sha and Jian Wang and Shiyong Yan and Kai Qin and Yonggang Zhang and Lianru Gao},
journal= {arXiv preprint arXiv:2407.00949},
year = {2026}
}