Apr, 2023

RobCaps: 对胶囊网络抗仿射变换和对抗攻击的鲁棒性评估

PDF
TL;DR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。
发现论文，激发创造
  • 提高胶囊网络对图像仿射变换的鲁棒性

    本文提出 Affine CapsNets，提升 CapsNets 对仿射变换的泛化能力，去除路由机制并在 MNIST 数据集上进行测试，结果表明基准性能从 79% 大幅提升至 93.21%。

    Nov, 2019

  • 胶囊神经网络作为时间序列数据的噪音稳定器

    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

  • 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

  • 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

  • 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

  • 高效的胶囊网络：具有自注意力路由的胶囊网络

    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

  • 胶囊网络易受对抗性攻击的漏洞

    本文评估胶囊网络对不同对抗性攻击的易受攻击性，发现胶囊网络易被欺骗，不如卷积神经网络稳健。

    Jun, 2019

  • 任意 Lie 群的等变性能实现

    本文介绍了一种使用李群上的卷积（group convolutions over Lie groups）来实现任何形变的不变性的严谨数学框架，经实验证明在具有仿射不变性的分类任务中，我们的方法比传统 CNN 提高了 30％的准确性，同时优于大多数 CapsNets。

    Nov, 2021

  • 核化胶囊网络

    本文提出了使用非参数核方法对胶囊网络进行训练的一种改进方法，这种方法可提高胶囊网络的稳健性并提供有意义的不确定性测量，从而帮助检测敌对输入。该方法通过学习胶囊网络产生的表示来构建高斯过程的协方差核，并证明这种方法在提高对抗性干扰稳健性的同时实现了可比较的预测性能。

    Jun, 2019

  • 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