用于目标检测的可变形胶囊网络

胶囊网络通过存储更强的内部表示以及基于中间表示投影之间一致性的路由信息，有望相较卷积网络带来显著优势。尽管如此，由于其计算代价高昂，它们的成功仅限于小规模分类数据集。卷积胶囊虽然内存高效，却施加了几何约束，从根本上限制了胶囊建模物体姿态/形变的能力。此外，它们未解决类胶囊随检测或大规模分类等更大任务扩展所带来的更大内存问题。在本研究中，我们引入一类新的胶囊网络——可变形胶囊（DeformCaps），以解决计算机视觉中一个非常重要的问题：目标检测。我们提出了与 DeformCaps 相关的两种新算法：一种新颖的胶囊结构（SplitCaps）和一种新颖的动态路由算法（SE-Routing），它们在计算效率与建模大量物体和类别的需求之间取得平衡，这是此前胶囊网络从未实现的。我们证明所提方法高效扩展，构建了文献中首个用于目标检测的胶囊网络。我们提出的架构是一种单阶段检测框架，在 MS COCO 上取得与最先进单阶段基于 CNN 的方法相当的结果，同时产生更少的误检，并对物体的异常姿态/视角具有泛化能力。