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
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
本文提出了一种名为 Graph Capsule Network (GCAPS-CNN) 的模型,通过使用胶囊网络的思想对 GCNN 模型的一些基本缺陷进行了改进,并将其应用于解决当前 GCNN 模型在图分类问题上面临的挑战,实验结果表明,GCAPS-CNN 模型可以显著地提高图分类基准数据集上的性能。
May, 2018
介绍了胶囊网络的基本概念和动机,以及它们在图像识别、视频、自然语言处理、医学成像等领域的广泛应用,探讨了胶囊网络研究中的主要障碍和未来研究的方向。
Jun, 2022
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
通过引入一种后置方法,我们解释了卷积神经网络的整个特征提取过程,并包含了一组通过众包活动和自然语言处理技术提取并处理的文本标签,在多幅图像中聚合标签以生成全局解释。
本文介绍了 Capsule 网络的架构和行为,并说明了该网络的潜在可解释性,通过在不同层中包含胶囊代替 CNN 的卷积层,我们展示了 Deep learning 结构转为透明网络的可能性。
Feb, 2018
本篇论文提出了一种可解释的胶囊网络(iCaps)来处理图像分类问题,通过引入类别监督分离算法和额外的正则化方法解决了类别胶囊中存在的冗余信息和重叠表示的问题,并在三个数据集上进行了定量和定性的评估,证明 iCaps 分类器能够提供清晰的分类理由,且性能无损失。
Aug, 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
本文提出了一种称为层次图胶囊网络(HGCN)的创新方法,它可以联合学习节点嵌入和提取图层次结构,通过识别每个节点下的异构因素建立分离的图胶囊,从而表征同一实体的不同属性,并通过显式考虑部件之间的结构信息来表征低层胶囊(部分)和高层胶囊(整体)之间的整体关系。实验结果表明 HGCN 的效果和每个组件的贡献。
Dec, 2020