该研究引入了一种名为 “快捷路由” 的新型机制，它通过直接激活局部胶囊中的全局胶囊来解决计算效率问题，消除了中间层。同时，还探索了一种基于注意力机制和模糊系数的方法，以提高效率。在 Mnist、smallnorb 和 affNist 数据集上进行的实验证明了与 EM 路由相比，提出的基于模糊和注意力的路由方法能够将计算量分别减少了 1.42 倍和 2.5 倍，突显了它们在胶囊网络中的计算优势。这些发现对于高效准确的层次化模式表示模型的进一步发展具有重要意义。

Jul, 2023

本文介绍了 Maxout network In Network (MIN) 这一新型深度学习结构的架构和实现方式，其应用了批量归一化和 dropout 等一系列优化方式，成功解决了在使用 rectifier units 时可能出现的梯度消失问题，同时通过 average pooling 方式进一步提高了信息抽象能力以及遏制了无关信息的干扰，最后在实验数据中取得了卓越的分类表现。

Nov, 2015

本文提出了一种名为 G-CapsNet 的改进版 CapsNet 网络结构，将路由过程嵌入到卷积神经网络的优化过程中，使得耦合系数完全可训练，该网络在 MNIST 数据集上取得了类似于原论文中的性能，并测试了堆叠多个胶囊层的可能性。

Aug, 2018

研究 CapsNet 的路由对模型拟合的影响，胶囊表征如何帮助发现数据分布中的全局结构以及学习的数据表征如何适应和推广到新任务。研究结果表明，路由操作决定胶囊向上图层传递信息的确定性，适当的确定性与模型适应度相关；在数据已知 2D 结构的实验中，胶囊表征比标准 CNN 中的神经元更有意义；与标准 CNN 的神经元相比，延续层的胶囊更适应新的数据分布。

Oct, 2018

本文提出了 Attention Routing CapsuleNet（AR CapsNet）作为一种新的胶囊网络架构，使用注意力路由和胶囊激活来取代胶囊网络的动态路由和扁平激活函数，对 MNIST、affNIST 和 CIFAR-10 分类任务进行评估，结果显示该模型在准确率上具有明显优势，并具有变换等变性。

Jul, 2019

本文提出了基于反转点积注意的胶囊网络新的路由算法，通过实验证明该算法在路由性能上显著优于以往算法，并且代码公开可用。

Feb, 2020

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

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

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

本研究提出了一种新型的胶囊网络 EncapNet，采用两路分支的路由过程，同时引入了反馈协定来补偿临近层中信息的快速损失，该方法相较之前迭代和无监督的路由方案具有更快的计算速度和更好的性能表现，表现在 CIFAR10/100、SVHN 和 ImageNet 子集的图像分类问题上。

Aug, 2018