Le reti neurali profonde affrontano diverse sfide nell'immagine iperspettrale
classificazione, compresi dati ad alta dimensione, distribuzione sparsa del terreno
oggetti, e ridondanza spettrale, che spesso portano alla classificazione
overfitting e capacità di generalizzazione limitata. Per adattarsi in modo più efficiente
distribuzioni di oggetti terrestri estraendo le caratteristiche dell'immagine senza introdurre
parametri eccessivi e omissione di informazioni ridondanti, questo documento propone
KANet basato su un modello 3D-DenseNet migliorato, composto da 3D KAN Conv e un
meccanismo di aggiornamento della griglia adattiva. Introducendo B-spline univariata apprendibile
funzioni ai margini della rete, in particolare mediante l'appiattimento tridimensionale
quartieri in vettori e applicazione non lineare parametrizzata B-spline
funzioni di attivazione per sostituire i pesi lineari fissi del tradizionale 3D
nuclei convoluzionali, catturiamo con precisione complessi non lineari spettrali-spaziali
Relazioni nei dati iperspettrali. Contemporaneamente, attraverso una griglia dinamica
meccanismo di regolazione, aggiorniamo in modo adattivo le posizioni dei punti della griglia di
B-spline basate sulle caratteristiche statistiche dei dati di input, ottimizzando
la risoluzione delle funzioni spline per corrispondere alla distribuzione non uniforme di
caratteristiche spettrali, migliorando significativamente la precisione del modello
modellazione dei dati ad alta dimensionalità ed efficienza dei parametri, in modo efficace
alleviare la maledizione della dimensionalità. Questa caratteristica lo dimostra
leggi di ridimensionamento neurale superiori rispetto al tradizionale neurale convoluzionale
reti e riduce i rischi di overfitting in campioni piccoli e ad alto rumore
scenari. KANet migliora la capacità di rappresentazione del modello attraverso una dinamica 3D
sistema di convoluzione esperto senza aumentare la profondità o la larghezza della rete. IL
il metodo proposto dimostra prestazioni superiori su IN, SU, e set di dati KSC,
superando gli approcci tradizionali di classificazione delle immagini iperspettrali.
Questo articolo esplora i giri e le loro implicazioni.
Scarica PDF: