Capsule Networks (CapsNets) sind ein neuronales Netzwerkarchitektur-Paradigma, das von Sabour et al. (2017) eingeführt wurde, um die Limitierungen von CNNs bei der Modellierung räumlicher Beziehungen zwischen Merkmalen zu überwinden.
Eine Kapsel ist eine Gruppe von Neuronen, deren Ausgabesignale einen Vektor repräsentieren, der sowohl die Wahrscheinlichkeit der Existenz eines Objekts als auch dessen instanzielle Parameter (z.B. Pose, Deformation) kodiert.
Der Kernmechanismus ist das dynamische Routing-by-Agreement, bei dem niedrigere Kapseln ihre Ausgaben an höherstufige Kapseln weiterleiten, wenn deren Vorhersagen übereinstimmen, wodurch eine hierarchische und part-whole Struktur modelliert wird.
Diese Architektur ermöglicht eine bessere Generalisierung bei Transformationen und Perspektivwechseln im Vergleich zu klassischen CNNs.
Definition:
„Capsule Networks sind neuronale Netzwerke, die durch Gruppen von Neuronen (Kapseln) Vektor-Ausgaben verwenden, um sowohl die Existenz als auch die instanziellen Parameter von Objekten zu kodieren, und dynamisches Routing nutzen, um hierarchische Beziehungen zu modellieren.“
Quelle:
Sabour, S., Frosst, N., & Hinton, G. E. (2017). Dynamic Routing Between Capsules. Advances in Neural Information Processing Systems (NeurIPS).