胶囊网络在复杂数据上的性能

Dec, 2017

Capsule Network Performance on Complex Data

Edgar Xi, Selina Bing, Yang Jin

TL;DR本文介绍了卷积神经网络的两个不足之处：不能考虑特征之间的重要空间关系和缺乏旋转不变性。为了解决这个问题，Hinton 等人提出了一种新型神经网络 —— 胶囊网络，该网络采用动态路由和重构正则化技术，具有旋转不变性和空间感知能力。在 MNIST 数据集上进行测试，胶囊网络的测试错误率为 0.25％，优于以前 0.39％的基准。同时，我们还尝试找到最佳配置组合，以在 CIFAR10 数据集上获得最佳测试结果。

Abstract

In recent years, convolutional neural networks (CNN) have played an important role in the field of deep learning. Variants of CNN's have proven to be very successful in classification tasks across different domains. However, there are two big drawbacks to CNN's: their failure to take i

convolutional neural networks spatial hierarchies rotational invariance capsule networks dynamic routing

发现论文，激发创造

推动胶囊网络的极限

Google Brain 提出了 Capsule Networks，它们通过使用向量输出来表示实体存在，与标量输出表示特征存在的常规 CNN 不同。我们的研究目的是测试 Capsule Networks 在不同的方法下的表现和表达性，包括测试 MNIST 数据集，探索 Capsule Networks 的内部嵌入空间和误差来源。

Mar, 2021

学习与胶囊：一项调查

介绍了胶囊网络的基本概念和动机，以及它们在图像识别、视频、自然语言处理、医学成像等领域的广泛应用，探讨了胶囊网络研究中的主要障碍和未来研究的方向。

Jun, 2022

胶囊网络应对医学图像数据挑战

比较 Capsule 网络和卷积神经网络（ConvNets），评估其在医学影像分析中使用少量标注数据和不平衡分类数据的表现，发现 Capsule 网络可以用较少的数据实现相同或更好的性能，并且更具有鲁棒性，非常有前景。

Jul, 2018

目标分割胶囊

本文介绍一种名为 SegCaps 的新型卷积 - 反卷积胶囊网络，扩展了胶囊网络的使用范围到目标分割任务，并表现出与其他基于 U-Net 的体系结构相比精度更高效率更高，同时参数空间减少了 95.4％。

Apr, 2018

高效的胶囊网络：具有自注意力路由的胶囊网络

本文探讨了胶囊网络的效率问题，使用仅拥有 160K 个参数且具有高度并行可处理路由的极端架构，证明了我们提出的架构仍能够在三个不同的数据集上取得最先进的结果，并成功地开发了一种新型的非迭代路由算法。实验证明了我们方法的有效性和胶囊网络嵌入更易于泛化的视觉表示的能力。

Jan, 2021

深度 Capsule 网络

DeepCaps 是一个使用三维卷积动态路由算法的深度胶囊网络架构，通过引入识别物理属性的类独立编码器网络，使用重构损失作为正则化项，实现在 CIFAR10，SVHN 和 Fashion MNIST 上胶囊网络领域最先进的结果，并减少 68％的参数。

Apr, 2019

子空间胶囊网络

本文介绍了一种新型的神经网络模型：SubSpace Capsule Network (SCN)，它使用胶囊网络的思想来模拟实体的外观变化和属性，通过一组胶囊子空间实现，有效地解决了传统卷积神经网络无法获取不同部分之间空间关系层级的缺陷，并且在生成对抗网络（GAN）框架下的监督 / 半监督图像分类和高分辨率图像生成任务的实验中取得了明显的性能提升。

Feb, 2020

基于胶囊网络的层次化物体中心学习

该论文研究了 CapsNets（胶囊网络）的吸引人之处，并聚焦于解锁其全部潜能的三个关键问题：路由算法的有效性、提取更有效的第一层胶囊、以及胶囊网络中的部分关系学习。此外，还展示了 CapsNets 在实际应用中的潜力，包括无人机的自主定位、合成数据集中的四元数旋转预测和生物医学成像中的肺结节分割。该论文的研究结果对于深入理解 CapsNets 并突破复杂的计算机视觉挑战具有重要意义。

May, 2024

密集多样胶囊网络：让胶囊学习更好

该研究提出了两种改进型的 Capsule Networks，即 Dense Capsule Networks 和 Diverse Capsule Networks，以解决 CNNs 内在局限性，分别在标准数据集 MNIST，SVHN 和 CIFAR-10 上实验结果表明两种改进架构具有更好的性能和更少的训练迭代次数和参数数量。

May, 2018

RobCaps: 对胶囊网络抗仿射变换和对抗攻击的鲁棒性评估

本文对 CapsNets 的鲁棒性进行系统分析与评估，与传统卷积神经网络进行全面比较，结果表明 CapsNets 在对抗性样本和仿射变换方面具有更好的鲁棒性，且动态路由对提高 CapsNets 的鲁棒性不贡献太多，而主要的贡献来源于通过胶囊实现的分层特征学习。

Apr, 2023