提升胶囊网络对图像仿射变换的鲁棒性
计算机视觉与模式识别
2020-04-01 v3
摘要
卷积神经网络（CNNs）通过使用池化操作实现平移不变性。然而，这些操作并不保留所学表示中的空间关系。因此，CNNs 无法外推到输入的各种几何变换。近来，胶囊网络（CapsNets）被提出以应对此问题。在 CapsNets 中，每个实体由一个向量表示，并通过动态路由算法路由到高级实体表示。已表明 CapsNets 相比 CNNs 对输入的仿射变换更具鲁棒性。然而，其在变换输入与未变换输入上的性能之间仍存在巨大差距。在本工作中，我们首先通过（展开）其前向与反向传播来重新审视路由过程。我们的研究表明，路由过程既无助于 CapsNets 的泛化能力，也无助于其仿射鲁棒性。此外，我们探究了胶囊变换的局限性，并提出了仿射胶囊网络（Aff-CapsNets），其对仿射变换更具鲁棒性。在我们的基准任务中，模型在 MNIST 数据集上训练并在 AffNIST 数据集上测试，我们的 Aff-CapsNets 大幅提升了基准性能（从 79% 到 93.21%），且未使用任何路由机制。
引用
@article{arxiv.1911.07968,
title = {Improving the Robustness of Capsule Networks to Image Affine Transformations},
author = {Jindong Gu and Volker Tresp},
journal= {arXiv preprint arXiv:1911.07968},
year = {2020}
}