Sep, 2022

基于胶囊网络的无监督视觉表征对比学习

PDF
TL;DR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。
capsule networksvector i/ounsupervised learningvisual representationcontrastive capsule model
发现论文，激发创造
  • 学习与胶囊：一项调查

    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

  • 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

  • 稀疏无监督胶囊更好的泛化

    通过无监督训练稀疏的胶囊层来达到更深的胶囊网络结构及提高分类准确率

    Apr, 2018

  • 胶囊网络在复杂数据上的性能

    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

  • 基于胶囊网络的层次化物体中心学习

    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

  • 深层多原型胶囊网络

    该研究论文提出了一种多原型架构，以指导胶囊网络表示图像部分的变化。通过使用多个胶囊（共组胶囊）捕获一个对象的多个原型，胶囊网络在图像分类准确性方面优于其他模型。

    Apr, 2024

  • 胶囊网络投影器是等变和不变学习器

    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

  • iCaps: 通过分解胶囊网络实现可解释的分类器

    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

  • 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

  • 目标分割胶囊

    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