胶囊神经网络作为时间序列数据的噪音稳定器
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。
Apr, 2023
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
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
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
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
通过使用动态路由神经胶囊网络(DR-CapsNets)和注意力机制,本论文提出了一种名为 CardioCaps 的新型 DR-CapsNet 架构,用于不平衡分类的超声心动图分类,该模型在面对类别不均衡的情况下具有较高的鲁棒性,同时胜过传统的机器学习方法和其他深度学习方法。
Mar, 2024
通过使用四个不同的数据集(包括人脸、交通标志和日常物品图像)来评估 CapsNet 算法与传统分类器的性能。结果表明,CapsNet 是一种有前途的图像分类技术,但其分类准确性低于传统分类器的平均准确度值,且需要大量计算资源。
May, 2018
比较 Capsule 网络和卷积神经网络(ConvNets),评估其在医学影像分析中使用少量标注数据和不平衡分类数据的表现,发现 Capsule 网络可以用较少的数据实现相同或更好的性能,并且更具有鲁棒性,非常有前景。
Jul, 2018
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