超级会员免费看
文章提出了一种结合选择性卷积核的胶囊网络模型，用于提高图像分类的准确性。该模型在传统胶囊网络的基础上，融入了具有两个分支的选择性卷积核网络，能够提取更丰富、准确的图像特征。实验结果表明，相比于基线胶囊网络，新模型在CIFAR-10、Fashion-MNIST和SVHN数据集上的识别精度有显著提升，特别是在CIFAR-10上提高了1.73%。
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
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
