Jun, 2019

堆叠胶囊自编码器

PDF
TL;DR本研究介绍了一种使用几何关系推断物体的无监督胶囊自编码器（SCAE）。通过该模型，可以恢复物体的各部分的姿态和存在性，并且其物体胶囊存在性与物体类别高度相关，从而在 SVHN（55％）和 MNIST（98.7％）上实现最先进的无监督分类结果。
unsupervised capsule autoencodergeometric relationshipobject reconstructionamortized inferenceunsupervised classification
发现论文，激发创造
  • 基于混合对抗训练的鲁棒堆叠胶囊自编码器

    该研究提出了一种针对 SCAE 的逃避攻击和名为 Hybrid Adversarial Training 的防御方法，该方法结合了对抗训练和对抗蒸馏以实现更好的稳健性和稳定性。实验结果表明，该防御方法的确能够提高对逃避攻击的识别能力。

    Feb, 2022

  • 胶囊自编码器实现无监督运动表征学习

    Motion Capsule Autoencoder 基于二级层次模型，使用胶囊自编码器，处理了运动表示学习中重要的问题（变换不变性），提出了一种简单高效的编码方法，在多个数据集上实现了优于基线的结果。

    Oct, 2021

  • 基于流动胶囊的无监督式部分表示

    研究了通过利用运动感知来学习原子部件的方式来提高 Capsule 网络的检测性能，实验证明在多个对象、杂乱背景和遮挡的情况下具有稳定的部分发现能力，其图像解码器可以有效地填充检测到的形状的遮挡部分，该方法可以用于无监督部分分割和无监督图像分类。

    Nov, 2020

  • 基于复数自编码器的目标发现

    本研究提出复杂自编码器方法用于无监督物体发现，采用基于生物神经元的编码方案，通过复杂值表示对象的存在和组合关系，相较于传统方法，在性能和效率上有显著提高。

    Apr, 2022

  • 掩蔽胶囊自编码器

    我们提出了 Masked Capsule Autoencoders（MCAE），这是第一个利用自监督方式进行预训练的 Capsule Network。通过在监督训练之前使用掩码图像建模作为预训练阶段，我们的 MCAE 模型解决了 Capsule Network 在处理更复杂数据时的学习效果不佳的问题，从而取得了一系列实验证明自监督预训练对于 Capsule Networks 同样有效，为神经网络领域的进一步发展铺平了道路。

    Mar, 2024

  • iCaps: 迭代式类别级物体姿态和形状估计

    本文提出了一种基于自编码器、粒子滤波和 LatentNet 的类别水平 6D 目标姿态和形状估计方法，可用于跟踪类别中未见过的物体的 6D 姿态和估计它们的 3D 形状。

    Dec, 2021

  • 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

  • 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

  • 有条件变分胶囊网络用于开放集识别

    提出了一种基于胶囊网络的 varational autoencoder 模型来进行开放式识别与未知检测任务，使用高斯先验控制胶囊特征的紧致性，获取了优秀的实验结果。

    Apr, 2021

  • 基于胶囊网络的无监督视觉表征对比学习

    本文提出了一种新型的 Capsule 网络模型：基于对比损失的 Siamese 风格 Capsule 网络模型 CoCa，将其应用于无监督形象分类任务，如 CIFAR-10 数据集，达到了较高的准确度并在模型参数和计算复杂度上均优于现有的有监督和无监督模型。

    Sep, 2022