HyperKAN: Kolmogorov-Arnold Networks make Hyperspectral Image Classificators Smarter

本文介绍了传统神经网络结构中常用的多层感知器（MLP）通常被用作特征提取后的分类模块，但 Kolmogorov-Arnold 网络（KAN）提供了一个有前途的 MLP 替代方案，有潜力提高预测准确性。本文提出用 KAN 替换传统网络的线性和卷积层，这些修改显著提高了高光谱遥感图像的每像素分类准确性。本文修改了七种不同的高光谱图像分类神经网络结构，并观察到所有网络的分类准确性都有显著提高。本文考虑的网络结构包括基线 MLP、最先进的一维（1DCNN）和三维卷积（两个不同的3DCNN，NM3DCNN）以及变形器（SSFTT）结构，以及新提出的 M1DCNN。卷积网络仅在光谱数据上工作时效果最好，使用基于 KAN 的变形器结构实现了最佳分类质量。所有实验均使用七个公开可用的高光谱数据集进行。我们的代码可在 https://github.com/f-neumann77/HyperKAN 上获得。

本论文旨在提高高光谱遥感图像分类的准确性，通过使用Kolmogorov-Arnold网络（KAN）替代传统神经网络中的线性和卷积层来实现。

论文的关键思路是使用KAN代替传统神经网络中的线性和卷积层，从而提高高光谱遥感图像分类的准确性。

论文通过修改七种不同的神经网络架构，观察到在所有网络中分类准确性显著提高。实验使用了七个公开可用的高光谱数据集，并且提供了开源代码。最佳分类质量是使用基于KAN的转换器架构实现的。

与本文相关的研究包括传统神经网络在高光谱图像分类中的应用，以及其他替代神经网络的方法，如支持向量机和随机森林。