ICCVApr, 2021

有条件变分胶囊网络用于开放集识别

PDF
TL;DR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。
open set recognitioncapsule networksvariational autoencodergaussian priorsunknown detection
发现论文，激发创造
  • 开放集识别的条件高斯分布学习

    本文提出了一种基于 CGDL 的新型方法，可以实现开放集识别并提高已知类别的分类精度，并采用概率阶梯架构来提取高级抽象特征，实验结果表明该方法显著优于基线方法并取得了最新的最优结果。

    Mar, 2020

  • 可变贝叶斯胶囊路由

    该论文提出了一种新的 Capsule Routing Algorithm，利用 Variational Bayes 拟合 Transforming Gaussians 的混合模型，实现了 Capsule VAE 的转换，并成功解决了 MLE based models 的一个固有弱点

    May, 2019

  • 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

  • 面向多标签分类的上下文感知胶囊网络

    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

  • 使用条件概率生成模型进行开集识别

    本文提出了一种新的条件概率生成模型（CPGM）框架，将辨别信息引入到概率生成模型中，以检测未知样本并分类已知类别。通过在多个基准数据集上进行实验，证明该方法明显优于基线并取得了新的最佳性能。

    Aug, 2020

  • 子空间胶囊网络

    本文介绍了一种新型的神经网络模型：SubSpace Capsule Network (SCN)，它使用胶囊网络的思想来模拟实体的外观变化和属性，通过一组胶囊子空间实现，有效地解决了传统卷积神经网络无法获取不同部分之间空间关系层级的缺陷，并且在生成对抗网络（GAN）框架下的监督 / 半监督图像分类和高分辨率图像生成任务的实验中取得了明显的性能提升。

    Feb, 2020

  • 推动胶囊网络的极限

    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

  • 基于胶囊网络的深层异常检测方法探索

    本文探索基于胶囊神经网络的深度异常检测技术，开发了基于预测概率和重建误差的正常性评分函数来评估未见过图像的异常性，结果表明基于预测概率的方法表现出色，而基于重建误差的方法相对较敏感。

    Jul, 2019

  • 核化胶囊网络

    本文提出了使用非参数核方法对胶囊网络进行训练的一种改进方法，这种方法可提高胶囊网络的稳健性并提供有意义的不确定性测量，从而帮助检测敌对输入。该方法通过学习胶囊网络产生的表示来构建高斯过程的协方差核，并证明这种方法在提高对抗性干扰稳健性的同时实现了可比较的预测性能。

    Jun, 2019

  • 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