研究人员提出一种新型计算机视觉框架，将柯尔莫哥洛夫 - 阿诺德（KAN）网络应用于 You Only Look Once (Yolov10) 模型，以提升目标检测的可信度。该框架利用 KAN 作为可解释的后验代理模型，结合七种几何与语义特征对检测结果进行建模，并通过加性样条结构实现特征影响的直接可视化，生成平滑透明的功能映射以揭示置信度可靠性。同时，研究引入自举语言图像（BLIP）基础模型为场景生成描述性标题，构建轻量级多模态接口且不干扰可解释性层。在 COCO 通用物体数据集及巴斯大学校园图像上的实验表明，该框架能准确识别模糊、遮挡或低纹理条件下的低信任预测，为人工审查及下游风险缓解提供 actionable 见解，最终实现了具有可信置信度估计的可解释目标检测系统。
一项新型柯尔莫哥洛夫 - 阿诺德网络框架被用于提升计算机视觉中车辆检测等系统的可信度。该研究采用柯尔莫哥洛夫 - 阿诺德网络作为可解释的后验代理模型，结合七种几何与语义特征对 You Only Look Once (Yolov10) 检测结果的可信度进行建模。通过其基于加性样条的结构实现各特征影响的直接可视化，生成平滑透明的功能映射以揭示模型置信度的可靠性。同时利用自举语言图像（BLIP）基础模型为场景生成描述性标题，构建轻量级多模态接口且不干扰可解释性层。在通用物体上下文（COCO）及巴斯大学校园图像上的实验表明，该框架能准确识别模糊、遮挡或低纹理下的低信任预测，为接受、审查或下游风险缓解提供 actionable 见解，最终实现具有可信置信度估计的可解释目标检测。