变分胶囊编码器
计算机视觉与模式识别
2020-10-20 v1
摘要
我们提出了一种基于胶囊网络的新型变分编码器架构，称为贝叶斯胶囊（B-Caps），用于调制潜空间中采样分布的均值与标准差。我们假设该方法能比传统方法学到更好的潜空间特征表示。我们通过将学到的潜变量用于图像重建任务来验证该假设：在 MNIST 和 Fashion-MNIST 数据集上，利用我们提出的模型成功地在潜空间中对不同类别进行了分离。实验结果表明，两个数据集上的重建与分类性能均有提升，为我们的假设提供了佐证。我们还表明，通过增大潜空间维度，所提出的 B-Caps 相较于传统变分自编码器（VAE）能够学到更好的表示。因此，我们的结果揭示了胶囊网络在表示学习中的优势，而这一点此前从未在 VAE 设定下被考察过。
引用
@article{arxiv.2010.09102,
title = {Variational Capsule Encoder},
author = {Harish RaviPrakash and Syed Muhammad Anwar and Ulas Bagci},
journal= {arXiv preprint arXiv:2010.09102},
year = {2020}
}
备注
Accepted for publication in the 2020 25th International Conference on Pattern Recognition (ICPR)