参数量暴降，精度反升！哈工大宾大联手打造点云分析新SOTA

PointKAN团队 投稿 量子位 | 公众号 QbitAI 新架构选择用KAN做3D感知，点云分析有了新SOTA！ 来自 哈尔滨工业大学（深圳） 和 宾夕法尼亚大学 的联合团队最近推出了一种基于Kolmogorov-Arnold Networks (KANs) 的3D感知解决方 案—— PointKAN ，在处理点云数据的下游任务上展现出巨大的潜力。 △ PointKAN与同类产品的比较 替代传统的MLP方案，PointKAN具有更强的学习复杂几何特征的能力。 此外团队还提出 PointKAN-elite 版本，使用 Efficient-KANs 结构，在保持准确率的同时显著降低参数量。 PointKAN框架解析 PointKAN的整体流程如下图所示。 以下是更多详细内容介绍。 为什么要选择KANs 当前多层感知机 （MLPs） 凭借其高效的特征学习机制，已成为点云分析的基础架构组件。 然而在处理点云复杂几何结构时，MLP的固定激活函数难以有效捕捉局部几何特征，同时存在参数量冗余大、模型效率低下的问题。 而KANs是以Kolmogorov-Arnold表示定理 (KART) 作为数学依据的一种新颖的神经网络 ...