論文の概要: KARMA: Efficient Structural Defect Segmentation via Kolmogorov-Arnold Representation Learning

• arxiv url: http://arxiv.org/abs/2508.08186v1
• Date: Mon, 11 Aug 2025 17:06:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.225919
• Title: KARMA: Efficient Structural Defect Segmentation via Kolmogorov-Arnold Representation Learning
• Title（参考訳）: KARMA:Kolmogorov-Arnold表現学習による効率的な構造欠陥分割
• Authors: Md Meftahul Ferdaus, Mahdi Abdelguerfi, Elias Ioup, Steven Sloan, Kendall N. Niles, Ken Pathak,
• Abstract要約: KARMAは1次元関数の合成を通じて複雑な欠陥パターンをモデル化するセマンティックセグメンテーションフレームワークである。 ベンチマークインフラストラクチャインスペクションデータセットの実験は、KARMAがIoUパフォーマンスの競争力または優位性を達成することを示した。 KARMAは、リアルタイムデプロイメントに適した推論速度を維持し、精度を損なうことなく、実用的な自動インフラ検査システムを実現する。
• 参考スコア（独自算出の注目度）: 1.7466076090043157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation of structural defects in civil infrastructure remains challenging due to variable defect appearances, harsh imaging conditions, and significant class imbalance. Current deep learning methods, despite their effectiveness, typically require millions of parameters, rendering them impractical for real-time inspection systems. We introduce KARMA (Kolmogorov-Arnold Representation Mapping Architecture), a highly efficient semantic segmentation framework that models complex defect patterns through compositions of one-dimensional functions rather than conventional convolutions. KARMA features three technical innovations: (1) a parameter-efficient Tiny Kolmogorov-Arnold Network (TiKAN) module leveraging low-rank factorization for KAN-based feature transformation; (2) an optimized feature pyramid structure with separable convolutions for multi-scale defect analysis; and (3) a static-dynamic prototype mechanism that enhances feature representation for imbalanced classes. Extensive experiments on benchmark infrastructure inspection datasets demonstrate that KARMA achieves competitive or superior mean IoU performance compared to state-of-the-art approaches, while using significantly fewer parameters (0.959M vs. 31.04M, a 97% reduction). Operating at 0.264 GFLOPS, KARMA maintains inference speeds suitable for real-time deployment, enabling practical automated infrastructure inspection systems without compromising accuracy. The source code can be accessed at the following URL: https://github.com/faeyelab/karma.
• Abstract（参考訳）: 土木構造物における構造欠陥のセマンティックセグメンテーションは, 異質な欠陥の出現, 厳密な撮像条件, 重要なクラス不均衡により, 依然として困難である。 現在のディープラーニング手法は、その有効性にもかかわらず、通常は数百万のパラメータを必要とし、リアルタイム検査システムでは実用的ではない。 KARMA(Kolmogorov-Arnold Representation Mapping Architecture)は,従来の畳み込みではなく,一次元関数の合成を通じて複雑な欠陥パターンをモデル化する,高効率なセマンティックセマンティックセマンティック・セマンティック・セマンティクス・アーキテクチャである。 KARMA は,パラメータ効率の高い Tiny Kolmogorov-Arnold Network (TiKAN) モジュールを Kan ベースの特徴変換のために低ランク因数分解を利用する。 ベンチマークインフラストラクチャ検査データセットに関する大規模な実験により、KARMAは最先端のアプローチに比べて競合的あるいは優れた平均IoU性能を達成し、パラメータは格段に少ない(0.959M対31.04M、97%の削減)。 0.264GFLOPSで動作するKARMAは、リアルタイムデプロイメントに適した推論速度を維持し、精度を損なうことなく、実用的な自動インフラ検査システムを実現する。 ソースコードは以下のURLでアクセスできる。

関連論文リスト

• FORTRESS: Function-composition Optimized Real-Time Resilient Structural Segmentation via Kolmogorov-Arnold Enhanced Spatial Attention Networks [1.663204995903499]
  FORTRESS (Function-composition Optimized Real-Time Resilient Structure) は、特別な手法を用いて精度と速度のバランスをとる新しいアーキテクチャである。 Fortressには,系統的に分離可能な畳み込みフレームワーク,適応型TiKAN統合,マルチスケールアテンション融合という,3つの重要なイノベーションが含まれている。 このアーキテクチャは 91% のパラメータ還元 (31M から 2.9M) 、91% の計算複雑性低減 (13.7 から 1.17 GFLOPs) 、および 3倍の推論速度向上によって、顕著な効率向上を実現している。
  論文  参考訳（メタデータ） (2025-07-16T23:17:58Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Lightweight Deep Learning Framework for Accurate Particle Flow Energy Reconstruction [8.598010350935596]
  本稿では,ディープラーニング再構築の枠組みを体系的に評価する。 重み付き平均2乗と誤差構造類似度指数を組み合わせたハイブリッド損失関数を設計する。 我々は,モーダル時間的相関とエネルギー変位非線形性を捉えるモデルの能力を強化する。
  論文  参考訳（メタデータ） (2024-10-08T11:49:18Z)
• Less is KEN: a Universal and Simple Non-Parametric Pruning Algorithm for Large Language Models [1.5807079236265718]
  KENはカーネル密度推定(KDE)に基づく単純で普遍的で非構造化プルーニングアルゴリズムである Kenは、最適化されたトランスフォーマーを構築することを目的としており、最も重要なパラメータを選択的に保存し、他のパラメータをトレーニング前の状態に復元する。 Kenは、元の未実行バージョンと同等かそれ以上のパフォーマンスを達成し、パラメータの最小25%の削減を実現している。
  論文  参考訳（メタデータ） (2024-02-05T16:11:43Z)
• Towards Practical Control of Singular Values of Convolutional Layers [65.25070864775793]
  畳み込みニューラルネットワーク(CNN)の訓練は容易であるが、一般化誤差や対向ロバスト性といった基本的な特性は制御が難しい。 最近の研究では、畳み込み層の特異値がそのような解像特性に顕著に影響を及ぼすことが示された。 我々は,レイヤ表現力の著しく低下を犠牲にして,先行技術の制約を緩和するための原則的アプローチを提供する。
  論文  参考訳（メタデータ） (2022-11-24T19:09:44Z)
• $\Lambda$-DARTS: Mitigating Performance Collapse by Harmonizing Operation Selection among Cells [11.777101481512423]
  微分可能なニューラルアーキテクチャサーチ(DARTS)はニューラルアーキテクチャサーチ(NAS)の一般的な方法である 我々は、DARTSの収束をソフトマックス関数の飽和点に制限するウェイトシェアリングフレームワークにより、DARTSは特定の構造欠陥に悩まされていることを示す。 そこで本稿では,階層の勾配を整合させて動作選択を調和させることにより,性能低下を防止するための2つの新たな正規化用語を提案する。
  論文  参考訳（メタデータ） (2022-10-14T17:54:01Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
  我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。 我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
  論文  参考訳（メタデータ） (2020-09-04T20:41:47Z)
• Structured Convolutions for Efficient Neural Network Design [65.36569572213027]
  畳み込みニューラルネットワーク構築ブロックのテクスト単純構造における冗長性を利用してモデル効率に取り組む。 この分解が2Dカーネルや3Dカーネルだけでなく、完全に接続されたレイヤにも適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-08-06T04:38:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。