提高胶囊网络对图像仿射变换的鲁棒性
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
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
本文介绍了一种使用李群上的卷积(group convolutions over Lie groups)来实现任何形变的不变性的严谨数学框架,经实验证明在具有仿射不变性的分类任务中,我们的方法比传统 CNN 提高了 30%的准确性,同时优于大多数 CapsNets。
Nov, 2021
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
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
CapsNets 在分析高敏感、噪音时间序列传感器数据方面具有良好的鲁棒性,通过与原始 CNNs 在心电图数据上的性能比较,证明了其噪音稳定化的功能和優越性。该研究结果对设计和实施鲁棒的机器学习模型在实际应用中具有重要意义,并强调了 CapsNet 模型在处理噪音数据方面的潜力和对时序分析中的噪音数据挑战的应对能力。
Mar, 2024
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
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