GRAM的灵感来自于Kolmogorov-Arnold网络(KAN)的替代品,如TorchKAN和ChebyKAN。GRAM引入了一种KAN模型的简化版本,但利用了Gram多项式变换的简洁性。它与其他替代品的不同之处在于其独特的离散性特征。与其他在连续区间上定义的多项式不同,Gram多项式因其在一组离散点上定义而脱颖而出。GRAM的这种离散性为处理离散化数据集(如图像和文本数据)提供了一种新颖的方法。
测试结果
YOLOv8l summary: 388 layers, 91843560 parameters, 0 gradients
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:02<00:00, 5
all 230 1412 0.968 0.967 0.988 0.747
c17 230 131 0.993 0.992 0.995 0.833
c5 230 68 0.957 0.979 0.992 0.831
helicopter 230 43 0.969 0.953 0.982 0.593
c130 230 85 1 0.97 0.995 0.673
f16 230 57 0.976 0.965 0.973 0.669
b2 230 2 0.904 1 0.995 0.748
other 230 86 0.978 0.942 0.975 0.554
b52 230 70 0.983 0.971 0.979 0.828
kc10 230 62 0.995 0.968 0.988 0.821
command 230 40 0.985 1 0.995 0.835
f15 230 123 0.93 0.965 0.991 0.69
kc135 230 91 0.982 0.989 0.992 0.7
a10 230 27 1 0.559 0.89 0.484
b1 230 20 1 0.976 0.995 0.713
aew 230 25 0.955 1 0.992 0.785
f22 230 17 0.981 1 0.995 0.751
p3 230 105 1 0.983 0.995 0.804
p8 230 1 0.856 1 0.995 0.796
f35 230 32 1 0.917 0.995 0.568
f18 230 125 0.984 0.984 0.992 0.827
v22 230 41 0.991 1 0.995 0.744
su-27 230 31 0.991 1 0.995 0.868
il-38 230 27 0.987 1 0.995 0.854
tu-134 230 1 0.837 1 0.995 0.895
su-33 230 2 1 1 0.995 0.659
an-70 230 2 0.904 1 0.995 0.796
tu-22 230 98 0.997 1 0.995 0.838