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
本研究提出了一种新型的胶囊网络 EncapNet,采用两路分支的路由过程,同时引入了反馈协定来补偿临近层中信息的快速损失,该方法相较之前迭代和无监督的路由方案具有更快的计算速度和更好的性能表现,表现在 CIFAR10/100、SVHN 和 ImageNet 子集的图像分类问题上。
Aug, 2018
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
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
本研究提出了一种基于胶囊网络和注意力机制的神经网络方法,用于关系提取的多实例多标签学习,实验结果表明该方法显著提高了关系提取的精度,尤其是多实体关系提取。
Dec, 2018
本文从 Capsules 和 neurons 的角度出发,探讨了用长度和方向来表示实体的存在概率和实例化参数的方法,并引入了迭代路由一致性机制,设计了一个多层 Capsule 系统,在 MNIST 上表现优异。
Oct, 2017
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
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
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。