融入选择性卷积核的胶囊网络图像分类方法

摘要

传统卷积神经网络对空间信息不敏感，无法学习到不同特征间相对位置的关系，且每一层神经元的感受野被设计为相同大小，导致提取的图像特征信息不够精确。针对这些问题，提出一种选择性卷积核胶囊网络用于图像分类任务。在经典胶囊网络的卷积层融入具有两个分支的选择性卷积核网络，以提取更为丰富、准确的图像特征信息，提高图像分类准确率。采用CIFAR-10、Fashion-MNIST、SVHN经典图像分类数据集进行实验，结果表明，相比于基线胶囊网络模型，新模型的识别精度更高，尤其在CIFAR-10数据集上识别精度提高了1.73%，从而有效提升了图像分类准确率，具有良好的图像识别能力。

0 引言

图像分类是计算机视觉领域的一个重要研究方向[1]，旨在从图像或图像序列中提取出目标的判别性特征，以精确判别目标所属类别。随着图像分类技术的快速发展，在许多应用领域取得了较为显著的成绩，并逐步推动人类进入智能时代。目前，图像分类技术在医疗图像处理