KonvLiNA: Integrating Kolmogorov-Arnold Network with Linear Nyström Attention for feature fusion in Crop Field Detection

要約

圃場の検出は精密農業の重要な要素であり、資源配分の最適化と農業生産性の向上に不可欠です。
この研究では、Convolutional Kolmogorov-Arnold Networks (cKAN) と Nystr の注意メカニズムを統合して効果的な作物圃場検出を実現する新しいフレームワークである KonvLiNA を紹介します。
KonvLiNA は、KAN 適応活性化関数と大規模データの処理における Nystr の注意の効率を活用して、特徴抽出を大幅に強化し、モデルが複雑な農業環境の複雑なパターンを捕捉できるようにします。
イネ作物データセットの実験結果は、KonvLiNA が最先端の方法よりも優れていることを実証し、Swin-L バックボーンで 0.415 AP と 0.459 AR を達成し、従来の YOLOv8 を大幅に上回りました。
さらに、COCO データセットの評価では、小規模、中規模、および大型のオブジェクトにわたる競争力のあるパフォーマンスが示され、多様な農業環境における KonvLiNA の有効性が強調されています。
この研究は、ハイブリッド KAN の可能性と、作物圃場の検出と管理の改善を通じて精密農業を進歩させるための注目メカニズムを強調しています。

要約(オリジナル)

Crop field detection is a critical component of precision agriculture, essential for optimizing resource allocation and enhancing agricultural productivity. This study introduces KonvLiNA, a novel framework that integrates Convolutional Kolmogorov-Arnold Networks (cKAN) with Nystr\’om attention mechanisms for effective crop field detection. Leveraging KAN adaptive activation functions and the efficiency of Nystr\’om attention in handling largescale data, KonvLiNA significantly enhances feature extraction, enabling the model to capture intricate patterns in complex agricultural environments. Experimental results on rice crop dataset demonstrate KonvLiNA superiority over state-of-the-art methods, achieving a 0.415 AP and 0.459 AR with the Swin-L backbone, outperforming traditional YOLOv8 by significant margins. Additionally, evaluation on the COCO dataset showcases competitive performance across small, medium, and large objects, highlighting KonvLiNA efficacy in diverse agricultural settings. This work highlights the potential of hybrid KAN and attention mechanisms for advancing precision agriculture through improved crop field detection and management.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google