《表8 Deeper Caps与Caps-Pool的精度对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《胶囊神经网络研究现状与未来的浅析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

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。