KAN You See It? KANs and Sentinel for Effective and Explainable Crop Field Segmentation

要約

作物畑の細分化は、農業の生産性を向上させ、作物の健康状態を監視し、持続可能な実践を促進するために不可欠です。
このタスクに採用される深層学習モデルは、経済的損失や環境への影響を回避するために、正確で信頼性の高い予測を保証する必要があります。
新しく提案されたコルモゴロフ-アーノルド ネットワーク (KAN) は、ニューラル ネットワークのパフォーマンスに有望な進歩をもたらします。
このペーパーでは、Sentinel-2 および Sentinel-1 衛星画像を使用して作物畑をセグメント化するための U-Net アーキテクチャ (U-KAN) への KAN レイヤーの統合を分析し、これらのネットワークのパフォーマンスと説明可能性の分析を提供します。
私たちの調査結果は、少ない GFLOP で従来の完全畳み込み U-Net モデルと比較して IoU が 2\% 向上していることを示しています。
さらに、勾配ベースの説明手法は、U-KAN 予測が非常に妥当であること、およびネットワークが栽培地域自体ではなく栽培地域の境界に焦点を当てる非常に高い能力を備えていることを示しています。
チャネルごとの関連性分析により、一部のチャネルがこのタスクに無関係であることも明らかになります。

要約(オリジナル)

Segmentation of crop fields is essential for enhancing agricultural productivity, monitoring crop health, and promoting sustainable practices. Deep learning models adopted for this task must ensure accurate and reliable predictions to avoid economic losses and environmental impact. The newly proposed Kolmogorov-Arnold networks (KANs) offer promising advancements in the performance of neural networks. This paper analyzes the integration of KAN layers into the U-Net architecture (U-KAN) to segment crop fields using Sentinel-2 and Sentinel-1 satellite images and provides an analysis of the performance and explainability of these networks. Our findings indicate a 2\% improvement in IoU compared to the traditional full-convolutional U-Net model in fewer GFLOPs. Furthermore, gradient-based explanation techniques show that U-KAN predictions are highly plausible and that the network has a very high ability to focus on the boundaries of cultivated areas rather than on the areas themselves. The per-channel relevance analysis also reveals that some channels are irrelevant to this task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google