May, 2023

基于胶囊网络架构学习的表征特点研究

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 可解释的图形胶囊网络用于物体识别

    本文提出了一种可解释的基于图池化的多头注意力的 Capsule 网络，旨在覆盖 CapsNet 分类的缺陷。新模型达到更好的分类性能，并在机器学习中提供更好的解释能力，具有潜在的实用价值。

    Dec, 2020

  • 深度 Capsule 网络

    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

  • 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

  • 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

  • 胶囊网络的改进可解释性：一致性相关路径

    本文介绍了 Capsule 网络的架构和行为，并说明了该网络的潜在可解释性，通过在不同层中包含胶囊代替 CNN 的卷积层，我们展示了 Deep learning 结构转为透明网络的可能性。

    Feb, 2018

  • 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

  • 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

  • 胶囊网络学习和学习数据表示

    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