پروژه convolutional-kans

AntonioTepsich/Convolutional-KANs

این پروژه ایدهٔ معماری نوآورانهٔ شبکه‌های کولموگروف-آرنولد (KAN) را به لایه‌های کانولوشنی گسترش می‌دهد و جایگزینی هوشمندانه انجام می‌دهد: به جای تبدیل خطی سنتی در کانولوشن، از توابع غیرخطی قابل یادگیری در هر پیکسل استفاده می‌کند.

کاربرد:

این معماری برای کارهایی که نیاز به استخراج ویژگی‌های پیچیده و غیرخطی از داده‌های شبکه‌ای (مثل تصاویر) دارند، مناسب است. ️ به جای اتکا به توابع فعال‌سازی ثابت (مثل ReLU)، هر فیلتر می‌تواند رفتار غیرخطی خودش را یاد بگیرد و دقت مدل را بهبود بخشد.

در چه شرایطی بهتره استفاده شود؟

- وقتی داده‌های ورودی دارای ساختار محلی پیچیده‌ای هستند (مثل تصاویر پزشکی یا طبیعی)

- در مسائلی که مدل‌های کلاسیک CNN به سقف عملکرد رسیدن

- زمانی که نیاز به مدلی انعطاف‌پذیرتر با قابلیت تطبیق غیرخطی در سطح پیکسل داریم

چند مثال از موارد استفاده:

- طبقه‌بندی تصاویر با دقت بالاتر در دیتاست‌های چالش‌برانگیز مثل CIFAR-100 یا ImageNet

- تشخیص ناهنجاری در تصاویر صنعتی یا پزشکی با الگوهای غیرمعمول

- بهبود عملکرد مدل‌های کوچک با محدودیت منابع، اما نیاز به قدرت توصیف بالا