《表8 Deeper Caps与Caps-Pool的精度对比》
%
除了改变激活函数和损失函数的方式,还可以通过改变胶囊层的架构来提升网络的精度。Xiong等[33]通过引入卷积胶囊层(Conv-Caps-Layer),借助现有CNN深层架构可以提取高维特征的思想,加深了Caps Net的结构,大大提高了性能。同时提出了一种新的池操作——胶囊池(Caps Pool),用来减少参数的数量,还能保留功能。实验使用CIFAR-10数据集测试,如表8所示,此研究提出的Deeper Caps模型训练准确率达到96.88%,测试准确率达到81.29%。在MNIST数据集上测试,DeeperCaps模型测试准确率达到99.84%。通过添加胶囊池,训练精度和测试精度只降低了1%,但能够显著减少50%的参数数量,大幅节省训练资源。此研究提出的Deeper Caps模型在数据集Cifar10上得到了迄今为止最强的Caps Net结果,Caps池在保持性能的同时减少了层间参数的一半,将Caps Net推向了最先进的CNN架构。
图表编号 | XD00201503200 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 贺文亮、朱敏玲 |
绘制单位 | 北京信息科技大学计算机学院、北京信息科技大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |