具有可训练路由过程的广义胶囊网络
计算机视觉与模式识别
2018-08-28 v1
摘要
CapsNet（胶囊网络）由~\citet{capsule} 首次提出，随后~\citet{emrouting} 提出了另一版本。CapsNet 已被证明能以少得多的参数对空间特征建模。然而，两篇论文中的路由过程都未很好地整合进整个训练过程。路由过程的最优次数是难以确定的，必须手动寻找。为克服当前 CapsNet 中路由过程的这一缺点，我们将路由过程与神经网络中所有其他参数一同嵌入优化过程，即使路由过程中的耦合系数完全可训练。我们称之为广义 CapsNet（G-CapsNet）。我们实现了 G-CapsNet 的“全连接”版本与“卷积”版本。G-CapsNet 在数据集 MNIST 上取得了与原始论文相近的性能。我们还测试了来自先前卷积层的两种胶囊打包方法（跨特征图或在特征图内），未见明显差异。此外，我们也探索了堆叠多个胶囊层的可能性。代码已在 \hyperlink{https://github.com/chenzhenhua986/CAFFE-CapsNet}{CAFFE-CapsNet} 上共享。
引用
@article{arxiv.1808.08692,
title = {Generalized Capsule Networks with Trainable Routing Procedure},
author = {Zhenhua Chen and David Crandall},
journal= {arXiv preprint arXiv:1808.08692},
year = {2018}
}