基于短时傅里叶KAN与动态图卷积的3D点云树种分类轻量化网络研究

本文创新性地提出短时傅里叶柯尔莫哥洛夫-阿诺德网络（STFT-KAN），通过将短时傅里叶变换与轻量化动态图卷积网络（liteDGCNN）相结合，在树种点云分类任务中实现参数量减少53%-99.57%的同时保持竞争性性能。该研究为边缘计算设备部署3D点云分析模型提供了兼具可解释性与高效性的新范式。

　　

Highlight

我们的核心创新点包括：

• 提出基于短时傅里叶变换的新型KAN层（STFT-KAN），可替代传统多层感知机（MLP）并优化边缘部署

• 通过轻量化DGCNN架构（liteDGCNN）系统评估STFT-KAN性能，与多种基线模型（包括KAN变体、MLP基准及混合架构）进行对比

• STFT-KAN在参数量减少73%的情况下达到与傅里叶KAN相当的精度，较MLP模型参数量降低55%的同时保持竞争性性能，与前沿PPT方法相比参数量锐减99.57%仍表现优异

Adapted DGCNN Architecture (liteDGCNN)

如图2所示的轻量化DGCNN架构（liteDGCNN）处理维度为n×3的输入数据，其中n为点数。本研究采用精简设计以突显STFT-KAN及其他KAN变体在边缘设备树种分类中的效能，其核心流程包括：

1. 1.
   边缘卷积层（ECL）：通过k近邻（k-NN）图动态捕捉局部几何特征
2. 2.
   分层特征聚合：采用最大池化与跳跃连接维护空间层次信息
3. 3.
   分类头：最终输出层使用全局特征进行树种概率预测

Layer-by-Layer Comparison

为简化表述，我们以架构中所用层名称指代liteDGCNN变体。表6显示STFT-KAN以0.086M参数量实现74.34%总体准确率与71.06%平衡准确率，显著优于其他KAN模型。与傅里叶KAN相比参数量降低73%，与MLP基准相比在参数量减少55.6%前提下达到相当性能。值得注意的是，混合架构（边缘卷积层用MLP+其他层用STFT-KAN）在参数量压缩与精度平衡方面展现出特殊优势。

Conclusion and perspectives

本研究证实STFT-KAN通过频域局部化表征有效控制模型复杂度，为轻量化3D点云分析开辟新路径。未来工作将探索多尺度STFT窗口优化、跨模态数据融合及在移动林业监测设备的实际部署。