Iso-CapsNet: 等距胶囊网络用于脑图表示学习
本文提出了一种名为同构神经网络(IsoNN)的新型模型,通过提取输入图与模板之间的图匹配同构特征来学习图表示,以消除节点顺序约束,并在广泛的基准数据集上进行了实验证明其在图分类任务中的有效性。
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
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
通过使用 Capsule Networks (CapsNets) 构建不变 - 等变自监督架构,提出了 CapsIE (Capsule Invariant Equivariant Network) 的目标函数,以提高等变任务的下游性能,具有更高的效率和更少的网络参数。在 3DIEBench 数据集上,CapsNets 能学习出复杂且普遍化的表示,相比之前的 CapsNet 基准数据,达到最先进的性能,超越了监督模型的性能表现。
May, 2024
本文提出了逆向图形胶囊网络 (IGC-Net),通过图形胶囊这种新型胶囊进行层级建模和无监督学习,从大规模无标注图像中学习人脸的层级 3D 表示。通过该网络的学习,揭示了神经网络如何将人脸理解为 3D 模型的层次结构。此外,利用学习到的部分可以对无监督的人脸分割任务进行评估,并且具有明确物理含义的部分级描述提供了一些有关人脸分析的洞见。
Mar, 2023
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。
Oct, 2018
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
介绍了一种名为 QCapsNet 的量子胶囊网络,该网络通过一种高效的量子动态路由算法从胶囊层层抽取信息, 实现了对手写数字和对称保护拓扑相的分类任务。进一步分析发现,输出胶囊状态的一个子空间可能对应于输入数据的一个人类可理解的特征,暗示了这种网络的可解释性和价值。
Jan, 2022
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