基于自监督Kolmogorov-Arnold网络的少样本遥感图像语义分割方法研究

针对极端标注稀缺(≤5%标注样本)场景下自监督学习性能骤降问题，华中师范大学张吉勇团队提出SS-KAN框架，创新性地将KAN网络的可学习激活函数与深度可分离卷积结合，通过深度KAN模块和双分支适配策略，在仅1%标注数据下实现遥感图像分割SOTA性能，为少样本地物识别开辟新途径。

　　

遥感图像分割技术正面临"数据饥渴"的困境。当前高分辨率卫星每天产生数以TB计的影像数据，但专业地物标注需要测绘专家耗时数月完成，导致标注成本居高不下。传统自监督学习(SSL)方法如MoCo在常规场景表现优异，但当标注比例低于5%时性能断崖式下跌——这源于两个本质缺陷：未充分挖掘无标签数据的层级表征，以及预训练特征迁移时的信息不可逆损失。

华中师范大学计算机学院张吉勇团队在《Neural Networks》发表的研究中，首次将新兴的Kolmogorov-Arnold网络(KAN)引入遥感领域。KAN区别于传统神经网络的革命性设计在于：在网络边缘植入可动态调整的激活函数，这种自适应非线性特性使其在复杂高维数据处理中展现出惊人潜力。研究团队通过深度KAN模块和双分支适配策略两大创新，构建了SS-KAN框架。

关键技术包括：(1)采用WHDLD等3个基准数据集，包含4940张256×256像素多光谱图像；(2)预训练阶段设计多尺度膨胀卷积( dilation rate=2/4/8)与可学习ReLU组合的深度KAN模块；(3)微调阶段通过标准卷积(保持空间语义)与KAN残差映射(抑制特征退化)的双分支协同优化。

【深度KAN模块设计】
通过深度可分离卷积(depthwise separable convolution)与不同膨胀率的组合，在4个尺度分支上提取多方向特征。关键创新是在每个分支末端植入可学习B样条激活函数，实验显示该设计使无监督特征提取效率提升23.7%。

【双分支适配策略】
在下游任务微调时，主分支采用3×3标准卷积维持空间上下文，辅助分支将KAN模块嵌入残差连接的恒等映射(identity mapping)中。消融实验证实该策略使特征迁移损失降低41.2%。

【少样本性能验证】
在仅1%标注数据设定下，SS-KAN在WHULC数据集上达到78.4% mIoU，较SeCo提升12.3个百分点。特别在道路、水体等线性地物分割任务中，边缘连续性指标提升达19.8%。

该研究开创性地证明：KAN网络的自适应非线性特性与卷积神经网络的结合，能有效突破少样本学习的表征瓶颈。提出的深度KAN模块通过可学习激活函数实现特征空间的动态形变，而双分支结构则巧妙平衡了特征迁移中的语义保持与非线性增强。这项成果不仅为遥感智能解译提供了新工具，其核心思想对医学影像分割等少样本场景同样具有启示意义。未来研究可探索KAN模块在Transformer架构中的迁移潜力，以及面向多时相遥感数据的时序自适应机制。