【学术期刊】《Information Sciences》，2025年第717卷
【作者简介】蒋锋，米兰电竞·(中国区)统计与数学学院教授、博士生导师。主要研究领域为深度学习、优化算法与神经网络。主持国家自然科学基金项目、教育部人文社科基金项目等多项科研项目，在《IEEE Transactions on Knowledge and Data Engineering》、《 Science China Information Sciences》等国际权威期刊发表论文80余篇。韩兴钰，米兰电竞·(中国区)统计与数学学院博士研究生。主要研究领域为多模态深度学习、跨域知识迁移、时空预测与图神经网络。研究成果已发表于《Information Sciences》、《Knowledge-Based Systems》等人工智能领域国际权威期刊，曾荣获博士研究生国家奖学金、"华为杯"中国研究生数学建模竞赛国家二等奖等荣誉。
【主要观点】
高光谱图像分类作为遥感领域的核心技术，在精准农业、环境监测和军事侦察等领域具有重要应用价值。然而，传统深度学习方法面临训练样本有限、模型复杂度高、多尺度特征提取不充分等挑战，严重制约了分类精度的进一步提升。
本文创新性地提出了基于Kolmogorov-Arnold网络的增强融合Transformer模型（KANEFT），通过将新兴的Kolmogorov-Arnold网络与Transformer架构深度融合，实现了高光谱图像分类性能的显著提升。该研究主要取得以下突破性进展：第一，首次将Kolmogorov-Arnold网络成功应用于高光谱图像分类任务，通过可学习的激活函数替代传统固定函数，在保持模型表达能力的同時显著降低了参数数量，有效缓解了小样本场景下的过拟合问题。第二，设计了多尺度融合学习Transformer模块，采用并行卷积路径提取多尺度局部特征，并结合创新的半自注意力机制捕获全局空间信息，实现了局部与全局特征的优势互补。第三，引入跨注意力机制促进不同特征尺度间的交互学习，同时通过跳跃连接保留原始图像的语义边界信息，显著提升了分类结果的区域一致性和边界准确性。本研究提出的KANEFT框架，通过创新性地结合Kolmogorov-Arnold网络与Transformer架构，为解决高光谱图像分类中的小样本学习、多尺度特征融合等关键问题提供了有效方案，对推动遥感图像分析技术的发展具有重要的理论意义和实际应用价值。
