一个计算效率高的混合科尔摩戈罗夫-阿诺德网络,用于签名笔墨的高光谱分类
Yong-Zhi Quan1, Neng-Bin Cai2, Si-Li Gao3
1Shanghai Institute of Technical Physics, Chinese Academy of Sciences, Shanghai 200083, China; University of Chinese Academy of Sciences, Beijing 100049, China; Shanghai Police College, Shanghai 200137, China.
Forensic science international
|March 3, 2026
概括
法医文档检查从一个新的混合深度学习模型中获益,该模型结合了卷积神经网络 (CNN) 和Kolmogorov-Arnold网络 (KAN) 来进行精确的墨水分析. 这种方法可以准确地区分类似的笔墨,提高证据的识别.
科学领域:
- 法医科学 法医科学 法医科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 精确区分笔墨在法医文档检查中至关重要,以验证真实性.
- 超光谱成像 (HSI) 为墨水分析提供了丰富的数据,但由于高维度和数据冗余性而带来了挑战.
- 传统的分类算法与HSI数据的复杂性作斗争,以进行油墨歧视.
研究的目的:
- 开发一种新的混合深度学习架构,使用HSI数据精确非破坏性区分签名笔墨.
- 解决现有方法的局限性,包括CNN的装配能力和纯KAN的计算成本.
- 为了提高法医墨水分析的准确性和效率.
主要方法:
- 提出了一种混合CNN-KAN架构,将CNN集成为特征提取和维度减少,并将KAN集成为增强的非线性拟合.
- 利用HSI数据对40种品牌和型号的签名笔墨进行分类.
- 将混合CNN-KAN模型的性能与传统的CNN,VGG,FNN和AUNet模型进行了比较.
主要成果:
- 在分类签名笔墨的过程中,CNN-KAN模型取得了98.56%的高精度.
- 混合模型在油墨区分任务中显著优于传统的CNN,VGG,FNN和AUNet.
- 与纯粹的KAN相比,CNN-KAN架构减少了大约60%的计算负载,平衡了精度和效率.
结论:
- 拟议的混合CNN-KAN深度学习模型为使用HSI的法医墨水识别提供了卓越的解决方案.
- 这种方法有效地克服了高维度HSI数据所带来的挑战,增强了法医证据分析.
- 这项研究展示了一种实用且高效的深度学习方法,用于法医科学中的非破坏性墨水差异化.
