使用深度可分离卷积改进胶囊网络
计算机视觉与模式识别
2023-09-20 v2
摘要
胶囊网络在计算机视觉中面临一个关键问题，即图像背景会挑战其性能，尽管它们在训练数据上学习得很好。在本工作中，我们提出通过用深度可分离卷积（Depthwise Separable Convolution）替换标准卷积来改进胶囊网络的架构。这一新设计显著减少了模型的总参数量，同时提高了稳定性并提供了有竞争力的准确率。此外，所提出的模型在 像素图像上优于在 与 像素图像上的标准模型。而且，我们使用诸如 Inception V3 与 MobileNet V1 等最先进迁移学习网络，以深度学习架构对这些模型进行了经验评估。结果表明胶囊网络可取得与深度学习模型相当的性能。据我们所知，我们相信这是将深度可分离卷积整合进胶囊网络的首次工作。
引用
@article{arxiv.2007.15167,
title = {An Improvement for Capsule Networks using Depthwise Separable Convolution},
author = {Nguyen Huu Phong and Bernardete Ribeiro},
journal= {arXiv preprint arXiv:2007.15167},
year = {2023}
}
备注
10 pages