capsule network

最新推荐文章于 2024-09-13 14:58:24 发布
最新推荐文章于 2024-09-13 14:58:24 发布
阅读量1.7k 收藏 1
点赞数
分类专栏： DeepLearning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/enjoy_now/article/details/78632579
版权


1. DynamicRoutingBetweenCapsules


2. Matrix capsules with EM Routing



-----reference---------------------
1. https://jhui.github.io/2017/11/03/Dynamic-Routing-Between-Capsules/
2.  https://jhui.github.io/2017/11/14/Matrix-Capsules-with-EM-routing-Capsule-Network/
3. http://www.bilibili.com/video/av16594836/

4. https://medium.com/ai³-theory-practice-business/understanding-hintons-capsule-networks-part-i-intuition-b4b559d1159b

5. https://medium.com/ai³-theory-practice-business/understanding-hintons-capsule-networks-part-ii-how-capsules-work-153b6ade9f66

6. https://medium.com/@mike_ross/a-visual-representation-of-capsule-network-computations-83767d79e737

vwenyu-L
关注
专栏目录
Capsule Network 胶囊网络介绍
走在深度学习前沿的小宋
01-11 1747
胶囊网络可以作为一个论文提分的点，但是工程上不建议用。。。相比于CNN网络而言，胶囊网络可以用更小的训练数据进行良好的训练；具有更强的能力去识别复杂的层次结构和空间关系。
python实现胶囊网络_Capsule Network胶囊网络解读与pytorch代码实现
weixin_39900608的博客
12-09 2135
本文是论文《Dynamic Routing between Capsules》的论文解读与pytorch代码实现。如需转载本文或代码请联系作者 @Riroaki 并声明。众所周知，卷积神经网络(CNN)在时序数据和图像数据相关的问题上具有较好的表现。一般而言，基本的CNN的结构可以表示为：[INPUT - CONV - RELU - POOL - FC]，也就是[输入-卷积-激活-池化-分类得分]...
胶囊网络（Capsule Network）
qq_37844044的博客
03-02 4324
胶囊网络有意思的解析1、传统的CNN2、胶囊2.1 向量神经元和标量神经元（普通人工神经元）对比2.2 工作原理2.3 动态路由 1、传统的CNN CNN中包含一个很重要的概念——池化（pooling）。它的作用是逐渐减低数据的尺寸，减少网络中参数的数量，从而使得计算资源消耗减少、网络收敛加速学习，还会有效控制过拟合。 但是，这也使CNN网络包含极大的缺陷。Capsule的提出者Hinton就认为池化在CNN中的好效果是个大错误甚至灾难。 池化，这一过程中包含了一个滤波器来减低尺度，但是这会导致重要的信息丢
胶囊网络 capsule network
最新发布
vivi_cin的博客
09-13 205
万字胶囊网络超详细总结（原理加pytorch代码）_capsule networks代码-CSDN博客 浅谈胶囊网络与动态路由算法 - 知乎 (zhihu.com)
胶囊网络（Capsule Networks）
yyyyyyep的博客
06-27 2584
胶囊网络（Capsule Networks）是深度学习三巨头之一的Geoffrey Hinton提出的一种全新的神经网络。胶囊网络基于一种新的结构——胶囊（Capsule），通过与现有的卷积神经网络（CNN）相结合，从而在一些图像分类的数据上取得了非常优越的性能。何谓胶囊？简单来说，。因此，胶囊网络中的每层神经网络都包含了多个胶囊基本单元，这些胶囊与上层网络中的胶囊进行交互传递。
胶囊网络(Capsule Network)
qq_42208244的博客
05-17 1944
胶囊网络
论文解析：Capsule Network
罟霖同学的站点
02-05 1107
Capsule Network解析
capsule network_capsule做二分类_神经网络_capsulenetwork_MWC_胶囊神经网络_
09-29
胶囊神经网络（Capsule Network）是一种新型的深度学习模型，由Geoffrey Hinton及其团队在2017年提出，旨在解决传统卷积神经网络（CNN）在特征表示和对象识别上的局限性。胶囊网络的主要特点是引入了“胶囊”的概念...
【胶囊网络论文解读】EFFICIENT-CAPSNET: CAPSULE NETWORK WITH SELF-ATTENTION ROUTING
SiranTang的博客
06-06 1141
胶囊网络的改进
Capsule Networks
PartyPartyAnimal的博客
11-16 2798
传统CNN： 工作原理：将每一层对应的特征累积起来，从寻找边缘开始，然后是形状、再识别实际的对象。 （1）然而，在这个过程中，所有这些特征的空间关系信息丢失了。 （2）对图片的角度要求有点苛刻，它能容忍照片稍微旋转一些，但要是旋转太多，它就不认得了。（旋转的程度超出了最大池化（maxpooling）所带来的旋转不变性（invariance）的限度）因此需要数据增强。 （3）CNN还很容易受到
胶囊深度网络（CapsuleNet）
05-16
Geoffrey Hinton 及其团队在总结卷积神经网络对物体部件的空间位姿1不敏感的缺点基础上又提出了胶囊神经网络(Capsule Networks，CapsNet)。
Capsule Networks（胶囊网络）.pdf
03-01
胶囊网络提供了一个有效的建模实体间局部到全局关系的方法，并可以学习视角不变表示。通过这种提升的表示学习，胶囊网络可以在多个领域下用更少的参数取得好的性能。
CapsuleNetWork：从TensorFlow复现代码理解胶囊网络（DynamicRoutingBetweenCapsules）
10-17
从TensorFlow复现代码理解胶囊网络（Dynamic Routing Between Capsules） 论文链接：https://arxiv.org/abs/1710.09829 Tensorflow代码复现链接：https://github.com/naturomics/CapsNet-Tensorflow
Capsules-Networks-Material:胶囊网络材料
05-19
胶囊网络材料 关于胶囊网络的材料 第一篇论文 [胶囊之间的动态路由] 代码 （作者：） Keras （作者：XifengGuo） （作者：dragen1860） 纸 [胶囊之间的动态路由] [带有EM路由的矩阵胶囊] [胶囊网络对复杂数据的性能] 篇名[基于具有胶囊网络架构的解码模型的人fMRI图像刺激的准确重建] [非参数转换网络] [在高级游戏环境中使用胶囊进行深度强化学习] [CapsuleGAN：生成对抗胶囊网络] [论文] [比较生成图像的对抗性网络技术和修改] [论文] [研究具有动态路由的胶囊网络以进行文本分类] [论文] [用于对象分割的胶囊] [纸张] [基于胶囊网络的搜索个性化嵌入模型] [论文] [稀疏无监督胶囊的效果更好] [论文] 网志 作者 地址 尼克·鲍达科斯（Nick Bourdakos） 胶囊网络正在动摇
Python-PyTorch实现的CapsuleNetwork
08-11
PyTorch implementation of the paper Dynamic Routing Between Capsules by Sara Sabour, Nicholas Frosst and Geoffrey Hinton
capsule network介绍与实现
winycg的博客
03-18 6481
论文链接：https://arxiv.org/pdf/1710.09829v1.pdf capsule网络motivation capsule网络提出的原因是针对CNN进行特征提取的时候会忽略特征之间的关系，也就是说一张image里打乱region，CNN仍然能够正确识别。参考：https://baijiahao.baidu.com/s?id=1585376284135321218&wfr...
胶囊网络（Capsual Network）
little_yan的博客
01-21 1万+
胶囊网络 近日学习深度神经网络了解到胶囊网络，且胶囊网络解决了CNN的一些缺点，通过查阅资料决定按照自己的理解整理一下。 1. 简单了解胶囊网络 首先胶囊网络（Capsual Network）是NeurIPS 2017的一项工作。作者首先总结了当前卷积神经网络的限制与不足：①CNN通过池化操作获得invariance，有助于分析，但是同时一些局部信息也会丢失。如果数据发生旋转、倾斜，其效果会很差 ②CNN很解释部分与整体之间的位置关系。当前针对问题1现有两种方法解决方案，一是数据增强，通过对训练样本进行旋转
CapsuleNet解读
热门推荐
Sundrops的专栏
12-05 2万+
最近hinton很早就提出了一个结构名为capsule，旨在解决cnn的固有缺点，本文是第一篇实现hinton capsule结构的论文Dynamic Routing Between Capsules，本文很大程度上翻译自“Understanding Dynamic Routing between Capsules (Capsule Networks)” 代码来自: XifengGuo Cap
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值