用于少样本迁移学习的胶囊网络
计算机视觉与模式识别
2018-04-27 v1
摘要
我们提出一种基于胶囊网络的架构，用于将学习泛化到仅有少量样本的新数据。使用具有中间路由的生成式和非生成式胶囊网络，我们能够比类似的卷积神经网络快 25 倍以上泛化到新信息。我们在缺少一个数字的多 MNIST 数据集上训练网络。在网络达到其最高准确率后，我们将 1-100 个该缺失数字的样本注入训练集，并测量返回到可比准确率水平所需的批次数。然后我们讨论胶囊网络带来的少样本迁移学习的改进，并提出胶囊研究的未来方向。
引用
@article{arxiv.1804.10172,
title = {Capsule networks for low-data transfer learning},
author = {Andrew Gritsevskiy and Maksym Korablyov},
journal= {arXiv preprint arXiv:1804.10172},
year = {2018}
}
备注
11 pages, 10 figures