Introducing the Short-Time Fourier Kolmogorov Arnold Network: A Dynamic Graph CNN Approach for Tree Species Classification in 3D Point Clouds

要約

陸生レーザースキャン（TLS）および空中レーザースキャン（ALS）に基づく樹種の正確な分類は、生物多様性の保全に不可欠です。
3Dポイントクラウド分類の高度なディープラーニングモデルは、このドメインで強力なパフォーマンスを実証していますが、それらの高い複雑さは、しばしば効率的で低コンポーテーションアーキテクチャの開発を妨げます。
この論文では、標準の線形層を活性化に置き換えることができる短時間フーリエ変換（STFT）を統合する新しいコルモゴロフアーノルドネットワークであるSTFT-KANを紹介します。
TLSデータを使用して樹種を分類するために、Liettgcnnと呼ばれるDGCNNの軽量バージョン内にSTFT-KANを実装しました。
私たちの実験は、STFT-KANがモデルの複雑さとパフォーマンスとパラメーターカウント削減と効果的にバランスをとることにより、既存のKANバリアントを上回り、MLPベースのモデルと比較して競争結果を達成することを示しています。
さらに、エッジ畳み込みのMLPと他の層のSTFT-KANを組み合わせたハイブリッドアーキテクチャを評価し、MLPモデルに匹敵するパフォーマンスを達成しながら、他のKANベースのバリアントと比較してパラメーター数を50％および75％削減しました。
さらに、モデルを主要な3Dポイントクラウド学習アプローチと比較し、STFT-KANが最先端のメソッドPOINTMLPライトと比較して競争結果を提供し、パラメーター数が87％減少したことを示しています。

要約(オリジナル)

Accurate classification of tree species based on Terrestrial Laser Scanning (TLS) and Airborne Laser Scanning (ALS) is essential for biodiversity conservation. While advanced deep learning models for 3D point cloud classification have demonstrated strong performance in this domain, their high complexity often hinders the development of efficient, low-computation architectures. In this paper, we introduce STFT-KAN, a novel Kolmogorov-Arnold network that integrates the Short-Time Fourier Transform (STFT), which can replace the standard linear layer with activation. We implemented STFT-KAN within a lightweight version of DGCNN, called liteDGCNN, to classify tree species using the TLS data. Our experiments show that STFT-KAN outperforms existing KAN variants by effectively balancing model complexity and performance with parameter count reduction, achieving competitive results compared to MLP-based models. Additionally, we evaluated a hybrid architecture that combines MLP in edge convolution with STFT-KAN in other layers, achieving comparable performance to MLP models while reducing the parameter count by 50% and 75% compared to other KAN-based variants. Furthermore, we compared our model to leading 3D point cloud learning approaches, demonstrating that STFT-KAN delivers competitive results compared to the state-of-the-art method PointMLP lite with an 87% reduction in parameter count.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google