胶囊网络简介——胶囊网络是如何克服卷积神经网络的一些缺点的？

‍编者注： 更多人工智能业务方面重要的发展请关注2018年4月10-13日人工智能北京大会。

胶囊网络（CapsNet）是一种新的热门的神经网络架构。它可能对深度学习带来深远的影响，特别是对计算机视觉领域。等一下！计算机视觉不是差不多已经被解决了吗？我们不是已经看到了多种卷积神经网络（CNN）的神奇案例？它们不是已经在计算机视觉任务（例如分类、定位、物体检测、语义分割或实例分割，见图1）上实现超越人类的水平了吗？

图1 一些主要的计算机视觉任务。当前，每种任务都需要一个不一样的CNN架构。比如分类里的ResNet，物体检测里的YOLO，实例分割里的Mask R-CNN等。图片由Aurélien Géron提供

恩，是的。我们已经见到了很多神奇的CNN，但是，

• 它们需要非常多的图片进行训练（或重复使用了已用海量数据训练过的神经网络的一部分）。 而CapsNet使用少得多的训练数据就能泛化。

• CNN们并不能很好地应对模糊性，但CapsNet可以。所以它能在非常拥挤的场景里也表现得很好（尽管它目前还需要解决背景图的问题）。

• CNN会在池化层理丢失大量的信息，从而降低了空间分辨率（见图2），这就导致对于输入的微小变