ME-CapsNet: 具有路由机制的多增强胶囊网络
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
该研究提出了两种改进型的 Capsule Networks,即 Dense Capsule Networks 和 Diverse Capsule Networks,以解决 CNNs 内在局限性,分别在标准数据集 MNIST,SVHN 和 CIFAR-10 上实验结果表明两种改进架构具有更好的性能和更少的训练迭代次数和参数数量。
May, 2018
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
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
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
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
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
本文提出了一种名为 G-CapsNet 的改进版 CapsNet 网络结构,将路由过程嵌入到卷积神经网络的优化过程中,使得耦合系数完全可训练,该网络在 MNIST 数据集上取得了类似于原论文中的性能,并测试了堆叠多个胶囊层的可能性。
Aug, 2018
本文介绍一种名为 SegCaps 的新型卷积 - 反卷积胶囊网络,扩展了胶囊网络的使用范围到目标分割任务,并表现出与其他基于 U-Net 的体系结构相比精度更高效率更高,同时参数空间减少了 95.4%。
Apr, 2018
通过引入低复杂度的 CNN 架构模块,我们的方法在提高模型表现方面相较于已有方法性能更好,尤其是在 ResNet-50 分类方面,其表现与 ResNet-152 相当,且具有良好的泛化性能。
Mar, 2019