Nov, 2018

3DCapsule：将胶囊架构扩展到 3D 点云分类

PDF
TL;DR本文介绍了 3DCapsule 的概念，它是最近引入的 Capsule 概念的 3D 扩展，可以应用于无序点集。通过引入 ComposeCaps 层以替代空间相关的特征映射，学习可以被 3DCapsule 应用的新映射。通过消融实验表明，在其他 3D 点集分类架构中应用 3DCapsule 时，其性能得到改善，特别是在噪声数据方面。与最先进的方法进行比较得到本方法的性能优于传统方法。
3dcapsulecapsule concept3d point set classificationcomposecapsnoisy data
发现论文，激发创造
  • 3D 点胶囊网络

    此论文提出了 3D 点胶囊网络作为自动编码器的一个改进，它能处理稀疏的三维点云数据并保留其空间结构。动态路由和其独特的二维潜在空间使其改进了几个与点云相关的常见任务，如物体分类、物体重建和部分分割，并能使其实现部分插值和替换。

    Dec, 2018

  • PointCaps: 使用胶囊网络和欧几里得距离路由处理原始点云

    本研究提出了 PointCaps，一种新的卷积胶囊体系结构，以及一种新的欧几里得距离路由算法和类独立潜在表示，在原始点云的分类、重建和分割中拥有更好的表现，具有显著的参数和 FLOP 数量低的优势。

    Dec, 2021

  • 面向多标签分类的上下文感知胶囊网络

    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

  • 规范姿态下的自监督胶囊

    本研究提出了一种自监督胶囊体系结构用于 3D 点云，其通过置换等变性注意力计算对象的胶囊分解，并通过随机旋转对象对进行训练。我们的关键思想是将注意力掩码聚合成语义关键点，并使用这些来监督满足胶囊不变性 / 等变性属性的分解，从而使训练具有语义一致的分解，同时还可以学习一种使对象集中化推理的标准化操作。通过自监督学习对象集中的表示，我们的方法在 3D 点云重建，规范化和无监督分类方面优于最先进的方法。

    Dec, 2020

  • 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

  • CAPNet：使用 2D 监督的连续近似投影进行 3D 点云重建

    提出了一种名为 CAPNet 的不可分辨投影模块，采用多个前景掩膜作为监督数据，通过连续逼近点云点来建立投影模型，通过 'affinity loss' 损失公式规避了稀疏投影问题，显著优于现有基于投影的方法，可在缺乏大量 3D 数据的情况下构建高质量 3D 重建。

    Nov, 2018

  • Point2SpatialCapsule：在点云上使用空间感知胶囊聚合局部区域的特征和空间关系

    提出了一个名为 Point2SpatialCapsule 的新型深度学习网络，用于在点云上聚合本地区域的特征和空间关系，旨在学习更具有区分性的形状表示。

    Aug, 2019

  • 三维点云的四元数等变胶囊神经网络

    提出一种能够处理点云的三维胶囊模块，它对于三维旋转和移动具有等变性，并且对于输入点的排列具有不变性；该模块通过四元数上的新颖动态路由过程来建立端到端的变换等变性；此外，作者在理论上将胶囊之间的动态路由与欧几里德旋转平均算法相连接，通过此连接，证明了这种路由方式能够被解释为对胶囊投票进行鲁棒的旋转平均，进而在大型数据集上进行了实验验证。

    Dec, 2019

  • 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

  • iCaps: 通过分解胶囊网络实现可解释的分类器

    本篇论文提出了一种可解释的胶囊网络（iCaps）来处理图像分类问题，通过引入类别监督分离算法和额外的正则化方法解决了类别胶囊中存在的冗余信息和重叠表示的问题，并在三个数据集上进行了定量和定性的评估，证明 iCaps 分类器能够提供清晰的分类理由，且性能无损失。

    Aug, 2020