基于偏置数据评估胶囊网络

基于机器学习的方法在对象分类与检测中取得了令人印象深刻的成果。在此类数据驱动方法中，训练阶段利用视觉世界的代表性数据对获得良好性能至关重要。然而，获取无偏数据集并非总是可能，因此对被偏置数据的鲁棒性是学习系统的一个理想特性。胶囊网络近期被提出，其对待偏置数据的容忍度很少受到关注。本文旨在填补这一空白，并提出两种实验场景，以评估对不平衡训练数据的容忍度，并确定模型对图像陌生仿射变换的泛化性能。本文评估了基于动态路由与 EM 路由的胶囊网络，并在两个测试场景中与卷积神经网络进行了比较。所呈现的结果提供了对胶囊网络行为的新见解。