小波 Kolmogorov-Arnold 网络：基于小波的高光谱图像分类
计算机视觉与模式识别
2024-10-10 v2 人工智能
摘要
高光谱图像分类是一个关键但具有挑战性的任务，由于高光谱数据的高维性和复杂的时空关联。本文采用针对高光谱数据的高效建模这些复杂依赖关系的小波 Kolmogorov-Arnold 网络(wav-kan)架构。灵感来自 Kolmogorov-Arnold 表示定理，Wav-KAN 将小波函数作为可学习的激活函数，实现输入光谱特征的非线性映射。基于小波的激活函数使 Wav-KAN 能够通过膨胀和平移有效捕获多尺度时空模式。在三个基准高光谱数据集(Salinas, Pavia, Indian Pines)上的实验评估表明，Wav-KAN 在传统多层感知器(MLP)和最近提出的基于样条的 KAN(Spline-KAN)模型方面表现优异。本 work中我们:(1)在额外的高光谱数据集(Pavia University, WHU-Hi, 和 Urban Hyperspectral Image)上进行更多实验，以进一步验证 Wav-KAN 的通用性; (2)开发多分辨率 Wav-KAN 架构以捕获尺度不变特征; (3)分析降维技术对分类性能的影响; (4)探索调优 KAN 模型超参数的优化方法; (5)与高光谱图像分类中的其他最先进模型进行比较。
引用
@article{arxiv.2406.07869,
title = {Unveiling the Power of Wavelets: A Wavelet-based Kolmogorov-Arnold Network for Hyperspectral Image Classification},
author = {Seyd Teymoor Seydi and Zavareh Bozorgasl and Hao Chen},
journal= {arXiv preprint arXiv:2406.07869},
year = {2024}
}