CNN与Capsule Network的对比

最新推荐文章于 2024-08-16 09:17:29 发布
最新推荐文章于 2024-08-16 09:17:29 发布
阅读量1.6k 收藏 3
点赞数
分类专栏： 目标检测
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/qq_37099552/article/details/102796046
版权
本文对比了卷积神经网络(CNN)和胶囊网络(CapsE)的优缺点。CNN在处理模糊性和空间关系识别上存在局限，而CapsE则能更好地处理这些问题，提供部件层次信息并保持等变化特性。尽管CapsE在大型图像处理和计算量上有挑战，但其潜力巨大，尤其是在处理物体旋转和拥挤场景时。胶囊网络由胶囊组成，能检测目标的存在和姿态，通过路由协议进行信息传递和物体识别，适用于解决模糊性和拥挤问题。
摘要由CSDN通过智能技术生成

CNN的不足

  1. 卷积神经网络要在大量的图像上进行训练(或者它们重复使用了神经网络的一部分)
  2. 卷积神经网络不能很好地处理模糊性
  3. 卷积神经网络在池化层中丢失了大量信息，降低了空间分辨率,当输入发生微小的变化，输出基本不变，这是一个在整个网络中必须保留详细信息的问题。如今，这个问题通过围绕CNNs构建复杂的体系结构来解决，来恢复一些丢失的信息
  4. CNN 对物体之间的空间关系 (spatial relationship) 的识别能力不强
  5. CNN 对物体旋转之后的识别能力不强 (微微旋转还可以)
    在这里插入图片描述
  6. 卷积神经网络需要额外的组件来自动识别部件属于哪个目标(例如，这条腿属于这只羊)

CapsE的优势

  1. 胶囊网络可以很好地推广使用更少的训练数据
  2. 胶囊网络可以很好地处理模糊性,在拥挤的场景中处理的很好
  3. 胶囊网络，详细的姿态信息(如精确的目标位置、旋转、厚度、倾斜、大小等)将在整个网络中被保存，而不是丢失了之后再恢复，输入的小变化导致输出的小变化——信息被保存，这就是所谓的“等变化(equivariance)”。因此，胶囊网络可以在不同的视觉任务中使用相同简单一致的架构
  4. 胶囊网络为你免费提供部件层次

CapsE的不足

  1. 在大型图像(如CIFAR10或ImageNet)上的性能不如卷积神经网络
  2. 它们的计算量非常大
  3. 当两个检测目标离得很近的时候，胶囊网络无法检测到同一类型的两个物体(这被称为
最低0.47元/天 解锁文章
旅人_Eric
关注
专栏目录
胶囊网络（Capsule Network）
qq_37844044的博客
03-02 4334
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
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 2142
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]...
CapsNet-vs-CNN:CNN和CapsNet之间的比较
05-02
CapsNet-vs-CNN CNN和CapsNet之间的比较
CNN、Capsule详解
林夕
11-18 1171
参考资料： [1] 从传统神经网络的角度解读Geoffrey Hinton的Capsule模型 [2] Dynamic Routing Between Capsules [3] 终于，Geoffrey Hinton那篇备受关注的Capsule论文公开了 [4] 看完这篇，别说你还不懂Hinton大神的胶囊网络 [5] 吴恩达deeplearning之CNN—卷积神经网络入门 [6] 斯坦福CS23...
Capsule Graph Neural Network（CapsGNN）安装与使用指南
最新发布
gitblog_00680的博客
08-16 415
Capsule Graph Neural Network（CapsGNN）安装与使用指南 CapsGNNA PyTorch implementation of "Capsule Graph Neural Network" (ICLR 2019).项目地址:https://gitcode.com/gh_mirrors/ca/CapsGNN 本指南旨在帮助您深入了解并使用从GitHub获取的Caps...
深度学习第58讲：超越CNN——CapsNet胶囊网络
weixin_37737254的博客
12-30 1433
卷积神经网络在深度学习和计算机视觉应用中都有着举足轻重的地位，可以说CNN是目前深度学习的主流方法了。在CNN这样普遍化的工业应用之后，也许你会思考，我们能否更...
Capsule下一代CNN深入探索
omnispace的博客
11-08 3131
牛逼的Hinton大神不仅仅将反向传播引入了神经网络，使得大规模的训练神经网络成为可能，而现在他又提出了一个新的基础结构Capsule，听上去很厉害，但是我们坐以待毙，要站在科技的最前沿去掌握这些新的知识。今天我们就来理解一下这个Capsule到底是什么鬼，有和牛逼之处，以及它和CNN的关系，又该如何去实现它？论文地址传送门Capsule基础Hinton在他的论文里面，把论文的题目叫做 Dynam
【深度学习07】解决CNN的困境——胶囊网络
weixin_55252589的博客
01-07 1539
产生CNN困境的根本原因是在普通神经网络中执行运算的基本单位——神经元（neural）——处理的数据是标量（scalar），在卷积层后用抛弃神经元的方式降低数据复杂度直接丢失了很多信息。而在新的架构中，承载运算的基本单元——胶囊（capsule）——处理的数据变成了向量（vector）,用向量的线性变换降低数据复杂度使得所有信息都能够参与其中。这个改变推翻了沿用了几十年的基于神经元的网络计算方法，产生了全新的基于向量的胶囊运算流程。胶囊与传统神经元的运算方式对比如图9-49所示。胶囊的输入与输出。
The architecture of the capsule network and CNN
01-27
The architecture of the capsule network and CNN in "Malware detection based on feature selection of correlation information decision matrix
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...
深度学习之父低调开源 CapsNet，欲取代 CNN
weixin_33692284的博客
02-01 161
“卷积神经网络（CNN）的时代已经过去了！” ——Geoffrey Hinton 酝酿许久，深度学习之父Geoffrey Hinton在10月份发表了备受瞩目的Capsule Networks(CapsNet)。 Hinton本次挟CapsNet而来，大有要用它取代CNN的气势。 今天，有科技媒体发布Capsule Networks(CapsNet)开源的消息，去寻找Gith...
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)。
pytorch-CapsuleGNN:pystorch版本的CapsuleGNN
04-08
胶囊 pytorch版的 所有 均可用于此工作。 依存关系 python3.7 火炬 斯克莱恩 如何使用 可运行文件是main.py文件，Capsule GNN模型在model.py中定义，trainer方法在trainer.py中定义，用于模型训练和测试。
欲取代CNN的Capsule Network究竟是什么来头？它能为AI界带来革命性转折么？
大数据文摘
11-29 3496
大数据文摘作品 编译：余志文、Ether、钱天培 “卷积神经网络（CNN）的时代已经过去了！”——Geoffrey Hinton 酝酿许久，深度学习之父Geoffrey Hinton终于在上月发表了备受瞩目的Capsule Networks(CapsNet)。 Hinton本次挟CapsNet而来，大有要用它取代CNN的气势。那么，CapsNet相比CNN到底有哪些优势？它又
有关胶囊网络你所应知道的一切
Kaiyuan_sjtu的博客
09-13 1268
作者|一轩明月编辑|NewBeeNLP在使用卷积神经网络（CNNs）解决计算机视觉任务的时候，视角的改变（角度、位置、剪应力等等）很大程度上会造成网络表现的剧烈波动，从而限制...
胶囊网络为何如此热门？与卷积神经网络相比谁能更胜一筹？
热门推荐
AI科技大本营
02-18 1万+
编译 | AI科技大本营参与 | 孙士洁编辑 | 明 明【AI科技大本营按】胶囊网络是什么？胶囊网络怎么能克服卷积神经网络的缺点和不足？机器学习顾问AurélienGéron发表了自己的看法。营长将文章内容翻译如下。胶囊网络（Capsule networks, CapsNets）是一种热门的新型神经网络架构，它可能会对深度学习特别是计算机视觉领域产生深远的影响。等一下，难道计算机视觉问题还...
【笔记】概述胶囊网络
qq_41977459的博客
04-08 917
CNN现存问题 池化操作提供了局部不变性，错误解决了需要解决的等变性问题，从而丢失了位置等信息。 平移等变性：对于一个函数，如果对其输入施加的变换也会同样反映在输出上，那么这个函数就对该变换具有等变性。 平移不变性：对一个函数，若对其输入施加的某种操作丝毫不会影响到输出，那么这个函数就对该变换具有不变性。 胶囊网络的改进 使用胶囊作为网络的基本单元 特征向量表示可视实体，对方位等信息进行...
探索智能图像描述：ConvCap深度学习框架
gitblog_00081的博客
06-19 356
探索智能图像描述：ConvCap深度学习框架 convcap项目地址:https://gitcode.com/gh_mirrors/co/convcap 项目介绍 ConvCap是基于PyTorch实现的卷积神经网络（CNN）驱动的图像标题生成模型，旨在以自然语言准确地描绘图像内容。这个开源项目提供了完整的代码和数据集，让研究者和开发者能够轻松训练和测试自己的图像描述模型。 项目技术分析 Con...
胶囊网络与卷积网络的区别
QzzBL
03-01 4359
胶囊网络与卷积网络的区别 深度学习广泛应用于图像 识别、图像分类、图像分割、目标检测、身份认证、知识图谱、自然语言处理、语音识别、文本分类等各个领域。 图像预处理操作的意义主要是为了增强目标图像信息，同时可以减少很多干扰，能够更好地迚行图像特征提取。 胶囊网络具备捕捉局部和整体之间的内在空间关系的特性可以构成视点不变的知识，幵自动推广到新的视点。 胶囊网络有能力处理对象重叠的复杂场景。 目前可以将损失函数作为胶囊网络的主要改变方向，损失函数不光对胶囊网络具有重要意义，也对整个神经网络的
Capsule Network模型
07-10
Capsule Network是一种深度学习模型，由Geoffrey Hinton等人于2017年提出。它旨在克服传统卷积神经网络（CNN）在处理空间层次结构时的局限性。 Capsule Network的核心思想是使用"胶囊"（Capsule）来代替CNN中的神经元。胶囊是一组向量的集合，其中每个向量表示一个特定的实体或特征。这些胶囊可以被看作是CNN中的神经元组，但与神经元不同的是，它们具有动态路由机制。 在传统CNN中，通过池化操作和全连接层来提取特征和学习空间层次结构。然而，CNN无法有效地捕捉实体之间的空间关系和姿态信息。而Capsule Network则通过使用胶囊来编码实体之间的关系以及它们的姿态信息。 通过使用动态路由算法，Capsule Network可以自动学习实体之间的空间关系，并在后续层次中传递这些信息。这使得模型能够更好地理解图像中的对象，并具有更好的鲁棒性和泛化能力。 Capsule Network在图像识别、姿态估计和目标跟踪等任务中取得了一定的成功，并吸引了许多研究者的兴趣。然而，目前Capsule Network仍然处于研究阶段，其在实际应用中的效果和性能还有待进一步验证和改进。
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