Kolmogorov-Arnold Network for Remote Sensing Image Semantic Segmentation

要約

セマンティック セグメンテーションはリモート センシング アプリケーションで重要な役割を果たします。リモート センシング アプリケーションでは、高品質の結果を得るために特徴の正確な抽出と表現が不可欠です。
エンコーダ/デコーダ アーキテクチャが広く使用されているにもかかわらず、既存の方法では、エンコーダによって抽出された高次元の特徴を十分に活用し、デコード中に詳細な情報を効率的に復元するのに苦労することがよくあります。
これらの問題に対処するために、我々は、新興の Kolmogorov Arnold Network (KAN) に基づく 2 つの重要な革新を含む、新しいセマンティック セグメンテーション ネットワーク、つまり DeepKANSeg を提案します。
特に、KAN の利点は、高次元の複雑な関数を一変量変換に分解できることにあり、データ内の複雑な関係を効率的かつ柔軟に表現できるようになります。
まず、高次元の特徴から複雑な空間的で豊富な意味関係を効果的に取得するために、KAN ベースの深度特徴改善モジュール、つまり DeepKAN を導入します。
2 番目に、グローバルとローカルを組み合わせたデコーダの従来の多層パーセプトロン (MLP) 層を KAN ベースの線形層、つまり GLKAN に置き換えます。
このモジュールは、デコード中にきめの細かい詳細をキャプチャするデコーダの機能を強化します。
提案された方法の有効性を評価するために、2 つのよく知られた高解像度リモート センシング ベンチマーク データセット、つまり ISPRS Vaihingen と ISPRS Potsdam で実験が行われます。
この結果は、KAN 拡張セグメンテーション モデルが、最先端の方法と比較して精度の点で優れたパフォーマンスを達成していることを示しています。
これらは、セマンティック セグメンテーション タスクにおける従来のアーキテクチャの強力な代替手段としての KAN の可能性を強調しています。
さらに、明示的な一変量分解により解釈可能性が向上します。これは、リモート センシングで説明可能な学習を必要とするアプリケーションにとって特に有益です。

要約(オリジナル)

Semantic segmentation plays a crucial role in remote sensing applications, where the accurate extraction and representation of features are essential for high-quality results. Despite the widespread use of encoder-decoder architectures, existing methods often struggle with fully utilizing the high-dimensional features extracted by the encoder and efficiently recovering detailed information during decoding. To address these problems, we propose a novel semantic segmentation network, namely DeepKANSeg, including two key innovations based on the emerging Kolmogorov Arnold Network (KAN). Notably, the advantage of KAN lies in its ability to decompose high-dimensional complex functions into univariate transformations, enabling efficient and flexible representation of intricate relationships in data. First, we introduce a KAN-based deep feature refinement module, namely DeepKAN to effectively capture complex spatial and rich semantic relationships from high-dimensional features. Second, we replace the traditional multi-layer perceptron (MLP) layers in the global-local combined decoder with KAN-based linear layers, namely GLKAN. This module enhances the decoder’s ability to capture fine-grained details during decoding. To evaluate the effectiveness of the proposed method, experiments are conducted on two well-known fine-resolution remote sensing benchmark datasets, namely ISPRS Vaihingen and ISPRS Potsdam. The results demonstrate that the KAN-enhanced segmentation model achieves superior performance in terms of accuracy compared to state-of-the-art methods. They highlight the potential of KANs as a powerful alternative to traditional architectures in semantic segmentation tasks. Moreover, the explicit univariate decomposition provides improved interpretability, which is particularly beneficial for applications requiring explainable learning in remote sensing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google