深层多原型胶囊网络
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
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
本文介绍一种名为 HitNet 的神经网络,它使用胶囊网络结构,通过添加一层新型的 Hit-or-Miss 层来合成代表类别的样本,该层包含被激活的向量标称为胶囊。通过针对中心损失函数的定制化以训练胶囊,我们能够组合来自数据空间和特征空间的信息,从而实现混合数据增强过程,HitNet 能够比初始 CapsNet 在多个数据集上都获得更好的性能,并且还能够可视化该网络学习到的特征表示的本质,从而提供对特征表示学习的直接洞察。
Feb, 2019
我们在本文中介绍了一种新颖的非迭代路由机制,受可训练原型聚类的启发,旨在减少计算复杂性,提高性能效果,同时使用共享的胶囊子空间降低训练过程中的内存需求。通过在 Imagewoof 数据集上的测试结果表明,我们的方法相较当前最佳的非迭代胶囊网络表现出更好的结果,且能够处理计算上过于复杂的情况,从而进一步增强操作效率与性能,为胶囊网络在日益复杂的计算场景中的应用铺平了道路。
Jul, 2023
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
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
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。
Sep, 2022
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