多分支结构强化表征能力的CapsNet方法

• 作者: 叶东毅 谢海闻 陈昭炯
• 来源期刊: 计算机系统应用
• 关键词: 目标识别 目标重构 CapsNet 表征提取 MNIST
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 软件技术·算法
• 页码范围: 111-117
• 页数: 7页
• 字数: 5012字
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.006815

摘要

CapsNet是一种新的目标识别模型,通过动态路由和capsule识别已知目标的新形态.针对CapsNet的解码器输入层规模随类别数增加而增加,可延展性较弱的问题,本文提出多分支自编码器模型.该模型将各个类别的编码分别传递给解码器,使解码器规模独立于类别数,增强了模型的可延展性.针对单类别图像训练多类别图像识别任务,本文增加新的优化目标降低非标签类别的编码向量对解码器的激励,强化了模型的表征能力.MNIST数据集的实验结果表明,多分支自编码器具有良好的识别能力且重构能力明显优于CapsNet,因而具有更全面的表征能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	叶东毅	福州大学数学与计算机科学学院	112	1572	18.0	36.0
2	陈昭炯	福州大学数学与计算机科学学院	68	963	13.0	30.0
3	谢海闻	福州大学数学与计算机科学学院	2	0	0.0	0.0