通街是密人有的博客

基于深度学习网络的医学图像分割方法主要分为CNN和Transformer。然而，CNN很难捕获长距离依赖关系，而Transformer的计算复杂度高，局部特征学习能力差。为了有效地提取和融合局部特征和远程依赖关系，本文提出了一种结合MLP的CNN模型Rolling-Unet。具体来说，我们提出了核心R-MLP模块，该模块负责学习整个图像在单一方向上的长距离依赖关系。通过对不同方向的R-MLP模块进行控制和组合，形成OR-MLP和DOR-MLP模块，以捕获多方向的远程依赖关系。

论文链接：https://arxiv.org/abs/2404.19756代码链接：https://github.com/KindXiaoming/pyKAN项目链接：https://kindxiaoming.github.io/pyKAN/intro.html受Kolmogorov-Arnold表示定理的启发，我们提出Kolmogorov-Arnold网络(KAN)作为多层感知器(MLP)的有前途的替代品。MLP在节点(“神经元”)上有固定的激活函数，而KAN在边缘(“权重”)上有可学习的激活函数。KAN

受Kolmogorov-Arnold表示定理的启发，我们提出Kolmogorov-Arnold网络(KAN)作为多层感知器(MLP)的有前途的替代品。MLP在节点(“神经元”)上有固定的激活函数，而KAN在边缘(“权重”)上有可学习的激活函数。kan根本没有线性权重——每个权重参数都被参数化为样条的单变量函数所取代。我们表明，这个看似简单的改变使得KAN在准确性和可解释性方面优于MLP。就准确性而言，在数据拟合和PDE求解方面，更小的KAN可以达到与更大的MLP相当或更好的准确性。