子空间胶囊网络
计算机视觉与模式识别
2020-02-10 v1
摘要
卷积神经网络（CNNs）已成为人工智能大多数领域的关键资产。尽管性能成功，CNNs存在一个主要缺陷：它们无法捕捉实体不同部分之间空间关系的层次结构。作为该问题的补救，Hinton提出了胶囊的思想。在本文中，我们提出子空间胶囊网络（SCN），其利用胶囊网络的思想，通过一组胶囊子空间而非简单地将神经元分组来创建胶囊，以建模实体外观或隐式定义属性的可能变化。胶囊是通过使用可学习变换将来自较低层的输入特征向量投影到胶囊子空间上而创建的。该变换找出输入与胶囊子空间所建模属性的对齐程度。我们表明，SCN是一种通用胶囊网络，可成功应用于判别模型和生成模型，且在测试时相比CNN不会带来计算开销。SCN的有效性通过在使用生成对抗网络（GAN）框架的有监督图像分类、半监督图像分类和高分辨率图像生成任务上的一组全面实验得到评估。SCN在所有3项任务中显著提升了基线模型的性能。
引用
@article{arxiv.2002.02924,
title = {Subspace Capsule Network},
author = {Marzieh Edraki and Nazanin Rahnavard and Mubarak Shah},
journal= {arXiv preprint arXiv:2002.02924},
year = {2020}
}