胶囊网络在时尚图像检索中的应用
本文探讨了胶囊网络的效率问题,使用仅拥有 160K 个参数且具有高度并行可处理路由的极端架构,证明了我们提出的架构仍能够在三个不同的数据集上取得最先进的结果,并成功地开发了一种新型的非迭代路由算法。实验证明了我们方法的有效性和胶囊网络嵌入更易于泛化的视觉表示的能力。
Jan, 2021
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
该研究提出了一种改进的胶囊网络模型,通过使用动态路由提取中间特征来提高计算速度和精度,同时使用等变特征胶囊替代类特定胶囊以提高网络泛化能力。
Jul, 2019
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
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
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
本研究探讨了使用动态路由的胶囊网络进行文本分类,并提出了三种稳定动态路由过程以减轻噪声胶囊的干扰。对六个文本分类基准进行了一系列实验,结果显示胶囊网络在 4 个数据集上达到了最先进水平,并且在从单标签到多标签文本分类的转移方面比强基准方法有显著的提升。据我们所知,这是第一个对胶囊网络进行文本建模的实证研究。
Mar, 2018
本文提出了一种基于属性操控的图像检索方法,使用 FashionSearchNet-v2 架构学习属性特定表示,并通过弱监督定位模块提高相似性学习,所得的本地表示基于被指导的属性操控合并为单个全局表示,在多个数据集上展示了 FashionSearchNet-v2 的优越性和可泛化性。
Nov, 2021