Sieci Kolmogorov-Arnold w klasyfikacji defektów powierzchniowych metali
DOI:
https://doi.org/10.34767/SIMIS.2024.03.08Słowa kluczowe:
Kolmogorov–Arnold Networks, KAN, Klasyfikacja, Defekty powierzchniowe metali, Sztuczne Sieci NeuronoweAbstrakt
W niniejszej pracy przedstawiono zastosowanie sieci Kolmogorov-Arnold (KAN) w klasyfikacji defektów powierzchni metali. W szczególności badane są powierzchnie stali pod kątem wykrywania takich wad, jak pęknięcia, wtrącenia, łaty, powierzchnie z wżerami i zarysowania. Sieci KAN, oparte na twierdzeniu Kolmogorova-Arnolda, stanowią innowacyjną alternatywę dla tradycyjnych wielowarstwowych perceptronów (MLP), umożliwiając efektywniejsze aproksymowanie funkcji poprzez zastosowanie funkcji sklejanych. Wyniki badań wskazują, że sieci KAN mogą osiągać lepszą dokładność niż konwolucyjne sieci neuronowe (CNN) przy mniejszej liczbie parametrów, co skutkuje szybszą zbieżnością i lepszymi wynikami w klasyfikacji obrazów.
Bibliografia
Krzywda M., Lukasik S., Gandomi A.H. Graph Neural Networks in Computer Vision - Architectures, Datasets and Common Approaches. 2022 International Joint Conference on Neural Networks (IJCNN), 1-10.
Krzywda M., Łukasik S., Gandomi A.H.. Cartesian Genetic Programming Approach for Designing Convolutional Neural Networks. ArXiv 2024, arxiv.org/abs/2410.00129.
Lv X., Duan F., Jiang J.J., Fu X., Gan L. Deep metallic surface defect detection: The new benchmark and detection network. Sensors 2020, 20(6), 1562.
Calin O. Deep learning architectures. New York City: Springer International Publishing 2020.
Chazhoor A.A.P., Ho E.S., Gao B., Woo W.L. A review and benchmark on state-of-the-art steel defects detection.SN Computer Science, 2023, 5(1), 114.
Liu Z., Wang Y., Vaidya S., Rehle F., Halverson J., Soljačić M., Tegmark M. KAN: Kolmogorov-Arnold Networks. arXiv preprint 2024. arXiv:2404.19756.
Schmidt-Hieber J. The Kolmogorov–Arnold representation theorem revisited. Neural networks, 2021, 137, 119-126.
Shukla K., Toscano J.D., Wang Z., Zou Z., Karniadakis G.E. A comprehensive and FAIR comparison between MLP and KAN representations for differential equations and operator networks. arXiv preprint 2024. arXiv:2406.02917.
Yu R., Yu W., Wang X. KAN or MLP: A fairer comparison. arXiv preprint 2024. arXiv:2407.16674.
Ha W., Yizhou W., Yaqin L., Zhili S. The role of activation function in CNN. In 2020 2nd International Conference on Information Technology and Computer Application (ITCA) (pp. 429-432). IEEE 2020.
Yuen B., Hoang M.T., Dong X., Lu T. Universal activation function for machine learning. Scientific reports, 2021, 11(1), 18757.
Bao Y., Song K., Liu J., Wang Y., Yan Y., Yu H., Li X. Triplet-graph reasoning network for few-shot metal generic surface defect segmentation. IEEE Transactions on Instrumentation and Measurement, 2021, 70, 1-11.
Grishin A., Boris V., Bardintsev O. Severstal: Steel Defect Detection. Kaggle. 2019.
Deshpande A.M., Minai A.A., Kumar M. One-shot recognition of manufacturing defects in steel surfaces. Procedia Manufacturing, 2020, 48, 1064-1071.
Bodner, A.D., Tepsich, A.S., Spolski, J.N., Pourteau, S. Convolutional Kolmogorov-Arnold Networks. arXiv preprint 2024. arXiv:2406.13155.
Kuntur S., Wróblewska A., Paprzycki M., Ganzha, M. Under the Influence: A Survey of Large Language Models in Fake News Detection. IEEE Transactions on Artificial Intelligence 2024.
Pobrania
Opublikowane
Numer
Dział
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
