SpectralKAN: Kolmogorov-Arnold Network for Hyperspectral Images Change Detection

经过验证，深度学习方法，包括卷积神经网络（CNNs）、图神经网络（GNNs）和Transformer等，可以准确地从高光谱图像（HSIs）中提取特征。这些算法在HSIs变化检测（HSIs-CD）方面表现出色。然而，这些惊人的结果的缺点是需要大量的参数、FLOPs、GPU内存、训练和测试时间。本文提出了一种用于HSIs-CD的光谱Kolmogorov-Arnold网络（SpectralKAN）。SpectralKAN通过激活函数的组合来表示多元连续函数，从而提取HSIs特征和分类。这些激活函数是具有不同参数的B样条函数，可以模拟各种函数。在SpectralKAN中，提出了一个KAN编码器来提高HSIs的计算效率。同时引入了一个空间-光谱KAN编码器，其中空间KAN编码器提取空间特征，并将空间维度从补丁大小压缩到1。然后，光谱KAN编码器提取光谱特征，并将其分类为更改和未更改类别。我们使用五个HSIs-CD数据集来验证SpectralKAN的有效性。实验验证表明，SpectralKAN在保持高HSIs-CD准确性的同时，需要更少的参数、FLOPs、GPU内存、训练和测试时间，从而提高了HSIs-CD的效率。代码将在https://github.com/yanhengwang-heu/SpectralKAN上提供。

本论文旨在提高高光谱图像变化检测（HSIs-CD）的计算效率，减少参数、计算量、GPU内存、训练和测试时间等方面的开销。

论文提出了一种基于谱Kolmogorov-Arnold网络（SpectralKAN）的HSIs-CD方法，利用b样条函数作为激活函数，将多元连续函数分解为多个激活函数的组合，实现对HSIs的特征提取和分类。

论文在5个HSIs-CD数据集上验证了SpectralKAN的有效性，并证明其在减少参数、计算量、GPU内存、训练和测试时间等方面具有优势。此外，论文还提出了KAN编码器和空间-谱KAN编码器等亮点，并将代码开源。

最近的相关研究包括：'Deep learning for hyperspectral image classification: A survey'、'Deep learning for hyperspectral image analysis: A review'、'Hyperspectral image classification using deep learning: A review'等。