DECAPS：面向细节的胶囊网络
计算机视觉与模式识别
2020-07-13 v1
摘要
胶囊网络（CapsNets）已被证明是卷积神经网络（CNNs）的一种有前景的替代方案。然而，它们在大规模高维数据集上往往达不到最先进的准确率。我们提出了一种面向细节的胶囊网络（DECAPS），它结合了胶囊网络的优势与若干新技术以提升其分类准确率。首先，DECAPS 使用倒置动态路由（IDR）机制，在将低层胶囊发送至高层胶囊之前将其分组为头。该策略使胶囊能够选择性地关注数据中细小但具信息量的细节，这些细节可能在 CNN 的池化操作中丢失。其次，DECAPS 采用 Peekaboo 训练过程，通过二级注意力机制促使网络聚焦于细粒度信息。最后，蒸馏过程通过对原始与注意力图像区域预测取平均，提升了 DECAPS 的鲁棒性。我们在 CheXpert 和 RSNA Pneumonia 数据集上进行了大量实验以验证 DECAPS 的有效性。我们的网络不仅在分类上（在 CheXpert 数据集上将 ROC 曲线下平均面积从 87.24% 提升至 92.82%）而且在病变区域的弱监督定位上（将 RSNA Pneumonia 检测数据集的平均精度从 41.7% 提升至 80%）均达到了最先进的准确率。
引用
@article{arxiv.2007.05343,
title = {DECAPS: Detail-Oriented Capsule Networks},
author = {Aryan Mobiny and Pengyu Yuan and Pietro Antonio Cicalese and Hien Van Nguyen},
journal= {arXiv preprint arXiv:2007.05343},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:2004.07407