Light-ResKAN：一种基于Gram多项式的轻量级参数共享KAN算法，用于高效SAR图像识别

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Light-ResKAN: A Parameter-Sharing Lightweight KAN With Gram Polynomials for Efficient SAR Image Recognition

　　

摘要：

合成孔径雷达（SAR）图像识别在灾害监测、军事侦察和海洋观测中至关重要。然而，由于SAR图像的独特成像方式，其体积庞大，这限制了深度学习模型在资源有限的边缘设备上的应用。现有的轻量级模型往往难以在高精度特征提取和低计算需求之间取得平衡。新兴的Kolmogorov-Arnold网络（KAN）通过用可学习的激活函数替换传统神经网络中的固定激活函数，显著提升了模型的拟合能力，并且理论上只需要2n+1个激活函数就能逼近任意函数，从而大幅减少了参数数量和计算开销。受KAN的启发，我们提出了Light-ResKAN，以实现高精度特征提取和低计算需求之间的更好平衡。首先，Light-ResKAN通过用KAN卷积层替换ResNet中的卷积层，从而在SAR图像中实现更复杂和自适应的特征提取。此外，我们使用Gram多项式作为激活函数，这种函数特别适合SAR数据，因为它们能够高效捕捉复杂的非线性关系。为了进一步提高计算效率，我们创新性地采用了参数共享策略，即每个卷积核在同一通道内共享一组参数，使每个通道能够学习独特的特征，同时显著减少模型的参数数量和浮点运算（FLOPs）次数。该模型在MSTAR、FUSAR-Ship和SAR-ACD数据集上的识别准确率分别为99.09%、93.01%和97.26%。在将MSTAR图像大小调整为1024×1024的实验中，与传统的VGG16模型相比，我们的模型FLOPs减少了82.90倍，参数数量减少了163.78倍。总之，这项工作建立了一种高效的...

显示更多