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

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

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

本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。

Aug, 2019

本文主要研究通过对输入进行类别有条件的重构来检测对抗样本，使用重构攻击来进攻检测机制，并发现 CapsNets 总是表现更好，进一步诊断 CapsNets 的对抗样本，发现了视觉相似性与攻击成功率之间的高度相关性。

Jul, 2019

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

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

本文系统性地评估了 Capsule Networks 的可解释性，并分析了 MNIST、SVHN、PASCAL-part 和 CelebA 数据集中编码的表示是否真正将部分整体关系编码在学习表示中，结果表明 CapsNets 中的表示可能并没有像文献中常常表述的那样解耦并且严格相关于部分整体关系。

May, 2023

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