SS-KAN:自主监督的科尔摩戈罗夫-阿诺德网络用于有限的数据遥感语义细分
Jiyong Zhang1, Zeyan Jin1, Yiqian Xia1
1School of Information Technology, Luoyang Normal University, Luo yang, Henan Province, 471934, China.
概括
本研究介绍了SS-KAN,这是一个自我监督的学习框架,用于远程传感图像分割. 通过改善特征表示和减少信息丢失,SS-KAN在低标签场景中表现出色,优于现有方法.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 自主监督学习 (SSL) 对于遥感图像分割是有效的,但与极端的标签稀缺性作斗争.
- 关键的挑战包括对等级表示的糟糕利用和在特征适应过程中信息丢失.
研究的目的:
- 提出SS-KAN,一个使用Kolmogorov-Arnold网络 (KAN) 的增强SSL框架,以解决远程传感图像分割中的标签短缺问题.
- 改进对等级表示的利用,并最大限度地减少在低数据制度中的信息丢失.
主要方法:
- 开发了一个深度KAN模块,将深度可分离的卷积与可学习的激活函数相结合,用于上下文感知功能.
- 引入了双分支适应策略,以微调,保留空间语义和通过KAN非线性增强层次特征.
- 利用多尺度分支和剩余身份映射来减少域移动期间的特征退化.
主要成果:
- 在遥感图像细分方面,SS-KAN显著超过了最先进的方法,即使只有1%的标记数据.
- 三个基准的实验验证实了在数据稀缺条件下框架的有效性.
- 废弃研究证实了深度KAN和双分支适应模块的关键贡献.
结论:
- 拟议的SS-KAN框架在数据效率高的遥感图像细分方面表现出卓越的性能.
- 将KAN的自适应非线性与深度卷积和身份映射集成为未来研究提供了一个有希望的方向.
- 这些发现突显了SS-KAN在实践应用中的潜力,在这些应用中,标记的遥感数据有限.
