胶囊网络应对医学图像数据挑战
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。
Dec, 2017
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
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
通过使用四个不同的数据集(包括人脸、交通标志和日常物品图像)来评估 CapsNet 算法与传统分类器的性能。结果表明,CapsNet 是一种有前途的图像分类技术,但其分类准确性低于传统分类器的平均准确度值,且需要大量计算资源。
May, 2018
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
本论文通过采用 Capsules 网络结构,解决了医学图像数据如 MRI 图像的处理问题,同时优化了神经网络的结构以提高大脑肿瘤分类问题的准确性,并解决过拟合问题。
Feb, 2018
本文提出了一个基于卷积胶囊网络的深度学习解决方案,能够对通过血红蛋白和欧辛染色的乳腺组织活检的四种图像类型进行分类,表现出非常高的准确性和敏感性。
Apr, 2018
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
我们提出了一种改进的胶囊网络架构,包括新的路由权重初始化技术、利用条件随机场利用主要胶囊激活之间的语义关系的改进 CapsNet 设计和基于 Cholesky 变换的相关模块,为多标签分类任务提供了更好的可扩展性。
Oct, 2018