.png){kind=icon}
返回
An asymmetric lightweight multi-task network based on KAN convolution
.png){kind=icon}
PRE
AI
DOI：10.1007/s00500-025-10915-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多任务学习已成为计算机视觉中的一个关键范式，能够同时处理语义分割和深度估计等关联任务。然而，现有的多任务网络存在严重的参数低效问题，研究表明高达60–70%的参数对模型性能贡献甚微，导致计算资源浪费和次优结果。本文提出LAKNet（轻量级非对称KAN网络），一种新型多任务架构，通过三项关键创新从根本上解决参数未充分利用问题：(1) 采用预激活机制增强参数效率的KAN（Kolmogorov-Arnold网络）卷积模块，相比传统卷积提升35–40%的参数效率；(2) 一种非对称编解码结构，通过战略性深浅特征融合在减少50%参数的同时保持性能；(3) 一种多尺度通道注意力机制，通过丰富特征表示来弥补参数数量的减少。在Cityscapes数据集上的大量实验表明，LAKNet以仅3.86×10⁷个参数实现了语义分割58.90%的mIoU和深度估计0.0182的绝对误差，达到当前最优性能，优于MTAN（51.91% mIoU，4.12×10⁷参数）及其他基准方法。理论分析揭示，KAN卷积的预激活策略使每个参数能更有效地贡献于特征学习，解决了后激活架构的根本低效问题。代码地址：https://github.com/SyqxhSt/Net-LAK-MTL
Keyword:
Multi-task learning
Kolmogorov-Arnold networks
Parameter efficiency
Asymmetric architecture
Channel attention
期刊
IF:
2.5
论文数:
1.0W
被引数:
2.1W
机构
引用论文
Multi-task learning based on geometric invariance discriminative features基于几何不变性判别特征的多任务学习.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Guided-attention and gated-aggregation network for medical image segmentation用于医学图像分割的引导注意和门控聚合网络PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Semantic Segmentation and Depth Estimation Based on Residual Attention Mechanism基于剩余注意力机制的语义分割与深度估计SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Image super -resolution via channel attention and spatial graph convolutional network基于通道注意力和空间图卷积网络的图像超分辨率PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏CANet: Contextual Information and Spatial Attention Based Network for Detecting Small Defects in Manufacturing IndustryCANet: 基于上下文信息和空间注意力的制造业小缺陷检测网络PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image SegmentationSegNet: 一种用于图像分割的深度卷积编码器-解码器架构OAAI
OAAI分享收藏Delving deep into spatial pooling for squeeze-and-excitation networks深入研究挤压和激励网络的空间池化PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容