Capsule Network 胶囊网络介绍

论文名称：Dynamic Routing Between Capsules
论文地址：https://ndey96.github.io/deep-learning-paper-club/slides/Capsule%20Networks.pdf
项目地址(Keras): https://github.com/XifengGuo/CapsNet-Keras
项目地址(Torch): https://github.com/leftthomas/CapsNet

1 引言

Geoffrey Hinton的胶囊网络（Capsule Network）一经发布就震动了整个人工智能领域，它将卷积神经网络（CNN）的极限提升到一个新的水平。这种网络基于一种被Hinton称为胶囊（capsule）的结构。 此外，他还发表了囊间动态路由算法，用来训练新提出的胶囊网络。

在传统神经网络中，神经元通常是按层排列的，而胶囊网络通过将神经元组织成胶囊的形式，更好地捕捉输入数据之间的层级关系。这种设计使得胶囊网络对于姿态、空间关系等信息的学习更为有效。

2 胶囊网络的工作原理

胶囊网络的工作原理涉及到动态路由、胶囊之间的关联以及向量输出等概念。在胶囊网络中，每个胶囊都有一个动态路由的机制，可以动态地将信息传递给上一层的胶囊，从而形成胶囊之间的关联。这种机制使得网络能够更好地处理输入数据的层级结构。

此外，胶囊网络的输出是一个向量，其中包含了关于输入数据的重要信息。这种向量输出的方式有别于传统神经网络中的标量输出，使得胶囊网络在处理复杂数据结构时更具优势。

损失函数：

3 胶囊网络的优缺点

CNN的缺点：

• 通常需要大规模的注释数据集才能实现高性能；
• 不能很好地表征不同特征之间的空间关系。

例子：

对于上图这样一个人脸识别任务，虽然右图不是人脸但都具备了人脸需要的对象，所以CNN有很大可能通过具有的对象激活了是人脸的判断，从而使得结果判断出错。这个例子就体现了CNN只注重图像像素中的重要特征，而不考虑对象的空间关系。

胶囊网络的优点：

• 可以用更小的训练数据进行良好的训练；
• 具有更强的能力去识别复杂的层次结构和空间关系。

胶囊网络的缺点：

• 运行消耗的内存非常大，一个普通设计8G显存足够用的任务，使用胶囊网络大概要24G显存才勉强够用！！！
• 运行速度很慢，跑的是真的慢，因为内部时动态路由（或者说是动态寻优）是一个不停地迭代过程，所以运算速度很慢。。。
• 效果很不稳定。对于我自己在做的任务，跑完之后效果远差于原始网络。

4 原论文实验效果

作者在多个数据集上的实验结果表明：胶囊网络可以实现更高的精度。

注意：当前也有很多人拿着胶囊网络在做一些任务，但是就目前我在自己数据上跑i的任务而言，还不是很成熟。。
就我个人而言认为：它不是一个适配性更高、效果很好的模型。不稳定可能是其最大的缺点。。。

5 总结

建议：可以作为一个论文提分的点，但是工程上不建议用。。。
到此，使用 Capsule Network 胶囊网络介绍 已经介绍完毕了！！！ 如果有什么疑问欢迎在评论区提出，对于共性问题可能会后续添加到文章介绍中。

如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。

参考资料

胶囊神经网络