连体胶囊网络
机器学习
2018-05-21 v1 机器学习
摘要
胶囊网络在 MNIST、CIFAR 和 smallNORB 等事实上的基准计算机视觉数据集上已展现出令人鼓舞的结果。尽管如此，它们尚待在以下任务上接受测试：(1) 所检测实体固有地具有更复杂的内部表示；(2) 每类可学习的实例极少；(3) 逐点分类不适用。因此，本文在受控与非受控环境下进行人脸验证实验，共同解决上述要点。在此过程中，我们引入 \textit{Siamese Capsule Networks}（连体胶囊网络），一种可用于成对学习任务的新变体。该模型使用对比损失与 归一化的胶囊编码位姿特征进行训练。我们发现 \textit{Siamese Capsule Networks} 在两个成对学习数据集上均优于强基线，并在测试集中图像对包含未见主体的少样本学习设定中取得最佳结果。
引用
@article{arxiv.1805.07242,
title = {Siamese Capsule Networks},
author = {James O' Neill},
journal= {arXiv preprint arXiv:1805.07242},
year = {2018}
}