胶囊网络到底是什么东东？

摘要： 胶囊网络是如何克服卷积神经网络的一些缺点，包括需要更少的训练数据，保存图像细节，处理模糊性的呢？看完本文你就知道了！

胶囊网络(CapsNets)是一种可能会对深度学习产生深远影响的热门新型神经网络结构，特别是在计算机视觉领域。那么问题来了：计算机视觉相关问题不是已经解决了吗?我们不是都已经见过卷积神经网络(CNNs)在各种计算机视觉任务(如分类、定位、目标检测、语义分割或实例分割)中达到超人水平的例子吗?(如图1)

图1：为一些主要的计算机视觉任务。如今，这些任务都需要一个非常不同的卷积神经网络(CNN)架构，例如用于分类的残差网络（ResNet）、用于目标检测的目标检测系统(YOLO)、用于实例分割的Mask R-CNN等等。

我们已经了解了卷积神经网络，但是:卷积神经网络要在大量的图像上进行训练(或者它们重复使用了神经网络的一部分)，而胶囊网络可以很好地推广使用更少的训练数据。

卷积神经网络不能很好地处理模糊性，胶囊网络却可以，甚至可以在拥挤的场景中处理的很好。

卷积神经网络在池化层中丢失了大量信息，降低了空间分辨率(参见图2)，因此当输入发生微小的变化，输出基本不变，这是一个在整个网络中必须保留详细信息的问题，例如在语义分割中。如今，这个问题通过围绕CNNs构建复杂的体系结构来解决，来恢复一些丢失的信息。通过胶囊网络，详细的姿态信息(如精确的目标位置、旋转、厚度、倾斜、大小等)将在整个网络中被保存，而不是丢失了之后再恢复，输入的小变化导致输出的小变化——信息被保存，这就是所谓的“等变化(equivariance)”。因此，胶囊网络可以在不同的视觉任务中使用相同简单一致的架构。

最后，卷积神经网络需要额外的组件来自动识别部件属于哪个目标(例如，这条腿属于这只羊)，而胶囊网络为你免费提供部件层次。

图2：Liang-Chieh Chen等人提出的关于图像分割的DeepLab2管道，CNN(右上角)的输出非常粗糙，需要添加额外的步骤来恢复一些丢失的细节。

2011年，Geoffrey Hinton等人在一篇名为《变换自动编码器》的论文中首次引入胶囊网络。在几个月前,2017年11月,Sara Sabour、Nicholas Frosst和Geoffrey Hinton发表了一篇名为《胶囊间的动态路由》的论文,该论文介绍了一个在MNIST(著名的手写数字图像数据集)上达到最先进性能的胶囊网络架构,并且在MultiMNIST(一种不同数字重叠对的变体)上得到了比卷积神经网络更好的结果，如参见图3。

图3：MultiMNIST图像集(白色)和由胶囊网络的重建(红色+绿色)。“R”为重建;“L”为标签。例如，第一个示例(左上角)的预测是正确的，重构也是正确的，但在第五个例子中，预测是错误的:是(5,7)而不是(5,0)，因此，5是正确的重构，0不是。

虽然胶囊网络有这些优点，但离完美还有很大的距离。首先，就目前而言，它们在大型图像(如CIFAR10或ImageNet)上的性能不如卷积神经网络。此外，它们的计算量非常大，而且当两个检测目标离得很近的时候，胶囊网络无法检测到同一类型的两个物体(这被称为“拥挤问题”，而且已经证明人类也存在这种问题)。但是关键的想法是非常好的，胶囊网络只需要做一些调整就能充分发挥它们的潜力。毕竟，现在的卷积神经网络是在1998年被发明出来的，但它们经过几次调整之后才在2012年的ImageNet上，超越了目前的技术水平。

那么，胶囊网络到底是什么?

简而言之，胶囊网络是由胶囊组成的，而不是神经元。胶囊是一组神经元,它会学习检测给定区域(例如一个矩形)图像的特定目标,它输出一个向量(例如一个八维向量)，向量的长度代表目标存在的概率估计[1],而且它对姿态参数(例如精确的位置,旋转,等等)定向编码(例如8D空间)。如果对象有轻微的变化(例如移位、旋转、改变大小等)，那么胶囊将输出相同长度但方向略有不同的向量，因此,胶囊是等变化的。

就像常规的神经网络,胶囊网络在多个层中构建(见图4)。胶囊在最低层被称为基本胶囊:每个胶囊把接收的一个小区域的图像作为输入(称为感受野),它试图检测一个特定部分的姿势和存在,例如一个矩形。更高层的胶囊被称为路由胶囊，能检测到更大更复杂的物体，如船只。

图4:一个两层的胶囊网络。在这个例子中，基本胶囊层有两个5×5胶囊的映射，而第二胶囊层有两个3×3胶囊的映射。每个胶囊输出一个向量。每个箭头表示不同胶囊的输出。蓝色箭头表示胶囊检测三角形的输出，黑色箭头表示检测矩形的输出，以此类推。

基本胶囊层使用一些常规的卷积层实现。例如，在本文中，它们使用两个输出256个包含标量的6x6特征映射的卷积层。它们重塑这个输出，得到32个包含8维向量的6x6映射。最后，使用一个新的压缩函数来确保这些向量的长度在0到1之间(表示概率),得到基本胶囊的输出。

下一层的胶囊工作原理非常不同，它们使用了一种名为“路由协议”(routing by agreement)的算法来试图检测物体及其姿态，这就是胶囊网络的神奇所在，举个例子。

假设有两种基本胶囊:一种是长方形胶囊，一种是三角形胶囊，假设它们都发现了要检索的东西，矩形和三角形都可以是房子或船的一部分(见图5)。给定矩形的姿态，它会稍微向右旋转，房子和船也会稍微向右旋转。考虑到三角形的位置，房子几乎是上下颠倒的，而船会稍微向右旋转。注意，形状和整个/部分关系都是在训练中学习的。矩形和三角形在船的姿势上是一致的，而在房子的姿势上是完全不同的。所以很可能矩形和三角形是同一条船的一部分，而不是房子。

图5：根据路由协议，步骤1根据目标部件的存在和位置预测目标的存在和位置，然后查找预测之间的一致。

因为我们确信矩形和三角形是船的一部分,所以将输出的矩形和三角形胶囊发送给更多的船胶囊，船胶囊将获得更多有用的输入信号,房子胶囊将接收到很少的信号。对于每次连接，路由协议算法维护一个路由权值(参见图6)，当结果一致时协议时路由权值增加，不一致时路由权值减少。

图6:路由协议，步骤2更新路由权值。

路由协议算法涉及到协议检测+路由更新的几个迭代(注意，这种情况发生在每个预测中，而不仅仅是一次，也不仅仅是在训练时)，在拥挤的场面特别适用:例如,在图7中,现场是模糊的,因为你可以看到一个倒立的房子在中间,但如果这样，底部矩形和三角形就无法解释了,所以路由协议算法将最有可能收敛到一个更好的解释:一只船在底部,顶部是一栋房子。这种模糊性被称为“被解释掉”，较低的矩形最好的解释是船，这也解释了较低的三角形，一旦这两个部分被解释掉，剩下的部分很容易被解释为房子。

图7：路由协议可以解析拥挤的场景，比如这张模糊的图片，它可能被误解为倒立的房子加上一些无法解释的部分。相反，较低的矩形将被解释为船的一部分，这也将把较低的三角形和船联系上。一旦船被“解释走了”，就很容易将顶部理解为房子。

这就是网络胶囊的关键原理!

本文作者：【方向】

阅读原文

本文为云栖社区原创内容，未经允许不得转载。