关于胶囊网络的学习与习得数据表示
计算机视觉与模式识别
2020-06-23 v3
摘要
在这项工作中，我们研究以下问题：1）路由如何影响 CapsNet 模型拟合；2）使用胶囊的表示如何帮助发现数据分布中的全局结构；3）习得的数据表示如何适应并泛化到新任务。我们的研究得出的一些结果在 CapsNet 原始论文中已被提及，它们是：1）路由操作决定了胶囊层向上一层传递信息的确定度，且适当的确定度水平与模型拟合度相关；2）在一个使用具有已知二维结构数据的设计实验中，胶囊表示比标准卷积神经网络（CNN）中的神经元能够实现更有意义的二维流形嵌入；3）与标准 CNN 的神经元相比，连续层的胶囊耦合更弱且对新数据分布更具适应性。
引用
@article{arxiv.1810.04041,
title = {On Learning and Learned Data Representation by Capsule Networks},
author = {Ancheng Lin and Jun Li and Zhenyuan Ma},
journal= {arXiv preprint arXiv:1810.04041},
year = {2020}
}