基于混合对抗训练的鲁棒堆叠胶囊自编码器
本研究介绍了一种使用几何关系推断物体的无监督胶囊自编码器(SCAE)。通过该模型,可以恢复物体的各部分的姿态和存在性,并且其物体胶囊存在性与物体类别高度相关,从而在 SVHN(55%)和 MNIST(98.7%)上实现最先进的无监督分类结果。
Jun, 2019
我们提出了 Masked Capsule Autoencoders(MCAE),这是第一个利用自监督方式进行预训练的 Capsule Network。通过在监督训练之前使用掩码图像建模作为预训练阶段,我们的 MCAE 模型解决了 Capsule Network 在处理更复杂数据时的学习效果不佳的问题,从而取得了一系列实验证明自监督预训练对于 Capsule Networks 同样有效,为神经网络领域的进一步发展铺平了道路。
Mar, 2024
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
本文主要研究通过对输入进行类别有条件的重构来检测对抗样本,使用重构攻击来进攻检测机制,并发现 CapsNets 总是表现更好,进一步诊断 CapsNets 的对抗样本,发现了视觉相似性与攻击成功率之间的高度相关性。
Jul, 2019
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
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
介绍了一种名为 CapsuleGAN 的生成对抗胶囊网络框架,使用胶囊网络作为辨别器,利用改进的 GAN 目标函数进行训练,可以比传统卷积神经网络更好地模拟图像数据分布,表现出色于 MNIST 和 CIFAR-10 数据集,并实现了半监督图像分类。
Feb, 2018
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
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
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