PKNet：通过并行交互式Kolmogorov-Arnold网络实现红外小目标检测

《IEEE Transactions on Geoscience and Remote Sensing》：PKNet: Infrared Small Target Detection via Parallel Interactive Kolmogorov-Arnold Network

红外小目标检测面临低信噪比、环境干扰及弱空间特征挑战。PKNet通过CNN提取局部细节，KAN分支利用可学习单变量函数建模上下文依赖，结合多粒度KAN块增强跨维度非线性交互，并设计循环交互融合模块实现多尺度特征双向优化。实验表明PKNet在精度和效率上显著优于SOTA方法。

　　

摘要：

由于信噪比较低、环境干扰不可预测以及空间特征较弱，红外小目标检测（IRSTD）仍然面临诸多挑战。基于卷积神经网络（CNN）的方法在提取局部细节方面表现优异，但往往无法捕捉长距离依赖关系；而基于Transformer的方法通过自注意力机制对全局交互进行建模，但计算成本较高。为了解决这些问题，我们提出了一种新颖的并行交互式Kolmogorov-Arnold网络（PKNet）。在该架构中，CNN分支用于提取细粒度的局部特征，而KAN分支利用可学习的单变量函数来建模上下文依赖关系。为了进一步增强全局特征表示能力，我们设计了多粒度KAN（MG-KAN）模块，该模块通过促进多个标记维度之间的非线性交互来提升上下文建模效果，从而在保持长距离依赖关系的同时实现高效的特征提取。此外，我们还开发了一个循环交互式融合模块，用于实现CNN和KAN分支之间的双向信息优化。该模块能够动态地对齐并整合多尺度局部特征和全局特征，显著提升了网络区分小目标与复杂背景的能力。在三个公开基准测试中的大量实验表明，PKNet在检测准确性和效率方面均表现出色，远超现有的最先进方法。代码可在以下链接获取：https://github.com/Zhishe-Wang/PKNet。