Les réseaux de neurones profonds font face à plusieurs défis en matière d'image hyperspectrale
classification, y compris des données de grande dimension, répartition clairsemée du sol
objets, et redondance spectrale, qui conduisent souvent à une classification
surapprentissage et capacité de généralisation limitée. Pour s’adapter plus efficacement à
distributions d'objets au sol tout en extrayant les caractéristiques de l'image sans introduire
paramètres excessifs et omission d'informations redondantes, cet article propose
KANet basé sur un modèle 3D-DenseNet amélioré, composé de 3D KAN Conv et d'un
mécanisme de mise à jour adaptative de la grille. En introduisant une B-spline univariée apprenable
fonctions sur les bords du réseau, spécifiquement en aplatissant les éléments tridimensionnels
quartiers en vecteurs et application d'un comportement non linéaire paramétré par B-spline
fonctions d'activation pour remplacer les poids linéaires fixes de la 3D traditionnelle
noyaux convolutifs, nous capturons avec précision les phénomènes non linéaires spectraux-spatiaux complexes
relations dans les données hyperspectrales. Simultanément, à travers une grille dynamique
mécanisme de réglage, nous mettons à jour de manière adaptative les positions des points de grille de
B-splines basées sur les caractéristiques statistiques des données d'entrée, optimisation
la résolution des fonctions splines pour correspondre à la distribution non uniforme de
caractéristiques spectrales, améliorant considérablement la précision du modèle dans
modélisation des données de grande dimension et efficacité des paramètres, efficacement
soulager la malédiction de la dimensionnalité. Cette caractéristique démontre
lois de mise à l'échelle neuronale supérieures à celles des neurones convolutifs traditionnels
réseaux et réduit les risques de surajustement dans les petits échantillons et à fort bruit
scénarios. KANet améliore la capacité de représentation de modèles grâce à une dynamique 3D
système de convolution expert sans augmenter la profondeur ou la largeur du réseau. Le
la méthode proposée démontre des performances supérieures sur IN, EN HAUT, et ensembles de données KSC,
surpassant les approches traditionnelles de classification d'images hyperspectrales.
Cet article explore les excursions dans le temps et leurs implications.
Télécharger PDF: