相关实验视频
Updated: Jun 3, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
367
HKAN:一个混合的Kolmogorov-Arnold网络,用于强大的织物缺陷细分
Min Li1, Pei Ye1, Shuqin Cui1
1School of Computer and Artificial Intelligence, Wuhan Textile Unversity, Wuhan 430200, China.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
这项研究介绍了HKAN,一种新的织物缺陷检测方法,将卷积神经网络 (CNN) 和变压器与科尔摩戈罗夫-阿诺德网络 (KAN) 结合起来. HKAN 增强了特征提取,以获得卓越的织物缺陷细分精度.
科学领域:
- 计算机视觉 计算机视觉
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 目前的织物缺陷检测严重依赖于卷积神经网络 (CNN).
- 在捕获远距离依赖和复杂缺陷特征方面,CNNs表现出局限性.
- 变压器提供远程依赖模型,但面临着计算复杂性的挑战.
研究的目的:
- 开发一个先进的织物缺陷细分网络,解决CNN和变压器的局限性.
- 通过整合科尔摩戈罗夫-阿诺德网络 (KANs) 来增强特征提取能力.
主要方法:
- 提出了一个新的网络,HKAN,包括一个编码器,瓶和解码器.
- 开发了使用 KAN 卷积来提取特征的 KANConv 块.
- 通过将 PoolFormer 中的 MLP 替换为 KAN.引入了一个轻量级的 KANT 变压器块.
- 集成KANConv和KANT变压器块成为编码器和瓶的混合KAN块.
主要成果:
- 与主流的语义细分模型相比,HKAN表现出优越的性能.
- 在各种织物缺陷图像中实现了增强的细分精度.
- 在三个不同的织物数据集上展示了突出的结果.
结论:
- 拟议的HKAN网络有效地克服了传统CNN和变压器在织物缺陷检测方面的局限性.
- 整合KAN显著提高了特征提取和细分精度.
- 香港AN为高性能织物缺陷细分提供了一个有前途的解决方案.
