胶囊网络为何如此热门？与卷积神经网络相比谁能更甚一筹？

编译 | AI科技大本营

参与 | 孙士洁

编辑 | 明 明

【AI科技大本营按】胶囊网络是什么？胶囊网络怎么能克服卷积神经网络的缺点和不足？机器学习顾问AurélienGéron发表了自己的看法。营长将文章内容翻译如下。

胶囊网络（Capsule networks, CapsNets）是一种热门的新型神经网络架构，它可能会对深度学习特别是计算机视觉领域产生深远的影响。等一下，难道计算机视觉问题还没有被很好地解决吗？卷积神经网络（Convolutional neural networks, CNNs）已在分类、定位、物体检测、语义分割或实例分割等各种计算机视觉任务中达到了超人类水平，难道我们所有人没有注意到这些难以置信的例子吗？（见图1）

是的，我们已经看到了令人难以置信的CNNs，但是：

• 这些CNNs都接受了数量巨大图像的训练（或重复使用了部分已训练过的神经网络）。CapsNets能通过少得多的训练数据就可很好地完成网络训练。

• CNNs不能很好地处理图像多义性表达。而胶囊网络可以很好处理这一问题，即使在拥挤的场景下也表现出色（尽管CapsNets现在仍与背景纠缠在一起）。

• CNNs在池化层丢失大量信息。这些池化层降低了图像空间分辨率（见图2），为此，它们的输出对输入端的微小变化是保持不变的。当整个网络中细节信息必须被保留时，这就是一个问题，如在语义分割中。目前，解决这个问题主要是通过在CNNs周围构建复杂结构来恢复一些丢失的信息。运用CapsNets，详细的姿态信息（如精确的目标位置、旋转、厚度、歪斜、大小等等）在整个网络中都被保留，而不是丢失而后被恢复过来。输入的微小变化会导致输出的细微变化——信息却被保留。这就是所谓的“同变性（equivariance）”。所以，CapsNets对于不同的视觉任务可以使用相同的简单且一致的架构。

最后，CNNs需要额外的组件来实现自动识别一个部件归属于哪一个对象（如，这条腿属于这只羊）。而CapsNets则免费提供部件的层次结构。图2 DeepLab2图像分割流程，由Liang-Chieh Chen等提供：可以看到，CNN（右上）的输出结果是十分粗糙的，这使得通过增加额外步骤来恢复丢失的细节很有必要。该图来自Deeplab论文《Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution,and Fully Connected CRFs》，引用得到作者许可。想了解语义分割体系结构的多样性和复杂性可以看S. Chilamkurthy所做的这篇好文章。

CapsNets是由Geoffrey Hinton等人于2011年在一篇名为“转换自动编码器（Transforming Autoencoders）”论文中首次提出的。但仅在几个月前，也就是2017年11月，Sara Sabour, Nicholas Frosst和Geoffrey Hinton发表了一篇名为“胶囊间动态路由（Dynamic Routing between Capsules）”的论文，介绍了一个CapsNets结构，在MNIST（手写数字图像的著名数据集）上达到了最好性能，并在MultiMNIST（不同数字对重叠形成的变形手写数字图像数据集）上获得了比CNNs好得多的结果，见图3。

图3 MultiMNIST 图像(白色) 和CapsNets重构图像 (红色+绿色)。“R”代表重构 ，“L”代表标签. 如：这一个例子预测(左上)是正确的，重构图像也是正确的。但第5个例子预测是错的，(5,0)预测成了(5,7)。因此，5被正确重构，而0却没有。图形来自论文《Dynamic routing between capsules》, 引用得到作者许可。

尽管CapsNets具有很多有点，但它仍远不够完美。首先，现在CapsNets在如CIFAR10或ImageNet大规模图像测试集上的表现不如CNNs好。而且，CapsNets需要大量计算，不能检测出相互靠近的同类型的两个对象（这被称为“拥挤问题”，且已被证明人类也存在这个问题）。但CapsNets的主要思想还是非常有前途的，似乎只需要一些调整就可以发挥全部潜力。毕竟，现在的CNNs是在1998年发明的，经过一些调整后，就在2012年在ImageNet数据集上战胜了最新技术。

▌那么，CapsNets到底是什么？

简而言之，CapsNet由胶囊而不是神经元组成。胶囊是用于学习检测给定图像区域内特定对象（如矩形）的一小组神经元，它输出一个向量（如一个8维矢量），该向量的长度表示被检测对象存在的估计概率，而方向（如在8维空间中）对被检测对象的姿态参数（如精确的位置，旋转等）进行编码。如果被检测对象发生稍微改变（如移动、旋转、调整大小等），则胶囊将输出相同长度的矢量，但方向稍有不同。这样，胶囊是等变的。

就像常规的神经网络一样，一个CapsNet也是按多个层组织的（见图4）。最下层的胶囊被称为主胶囊：每个胶囊都接收图像的一个小区域作为输入（称其为接受场），尝试检测一个特定模式的存在和姿态，如矩形。更高层的胶囊称为路由胶囊，检测更大更复杂的对象，如船只。

图4 两层胶囊网络。这个例子中，初始胶囊层有两个5×5映射，而第二个胶囊层有两个3×3映射。每个胶囊输出一个向量，每个箭头符号表示一个不同胶囊的输出，蓝色箭头符号表示一个尝试检测三角形的胶囊的输出，黑色箭头符号表示一个尝试检测矩形的胶囊的输出。图像由AurélienGéron提供。

主胶囊层采用几个常规的卷基层来实现。如本文使用两个卷基层输出256个包含标量的6×6特征映射，并将这个输出转变成32个包含8维矢量的6×6映射。最后，使用一个新颖的压缩函数来确保这些向量的长度在0到1之间（表示一个概率）。这样就给出了主胶囊的输出。

下几层胶囊也尝试检测对象及其姿态，但工作方式非常不同，即使用按协议路由算法。这就是胶囊网络的最大魔力所在。我们来看一个例子。

假设只有两个主胶囊：一个长方形胶囊和一个三角胶囊，假设它们都检测到正在寻找的东西。矩形和三角形都可能是房子或船的一部分（见图5）。由于长方形的姿态是略微向右旋转的，房子和船也得是稍微向右旋转。考虑到三角形的姿态，房子就得几乎是颠倒的，而船会稍微向右旋转。注意，形状和整体/部分关系都是在训练期间学习的。现在注意长方形和三角形对船的姿态达成一致，而对房子的姿态强烈不一致。所以，矩形和三角形很可能是同一条船的一部分，并没有房子的存在。

图5 按协议路由，第1步—基于存在的部分对象及其姿态去预测对象及其姿态，而后在预测结果之间寻求一致性。图像由AurélienGéron提供。

既然现在确信长方形和三角形是船的一部分，那么将长方形和三角形胶囊的输出结果更多地发送给船胶囊，而更少发送给房子胶囊，将更有意义：这样，船胶囊将接收更有用的输入信号，而房子胶囊将会收到较少的噪声。对于每个连接而言，按协议路由算法包含一个路由权重（见图6）：达成一致时，增大路由权重；出现分歧时，减少路由权重。

图6 按协议路由，第2步—更新路由权重。图像由AurélienGéron提供。

按协议路由算法包括协议检测+路由更新的一些迭代（注意，每次预测这都会发生，不只是一次且也不仅是在训练时间）。这在拥挤的场景中特别有用：如图7中，场景是存在歧义的，因为你从中间看到的可能是倒置的房子，但是这会使底部的矩形和顶部的三角形无法解释。协议算法很可能会给出更好的解释：底部是一只船，顶部是一个房子。这种模棱两可的说法被认为是“可解释过去的”：下面的矩形最好用船的存在来解释，这也解释了下面的三角形，一旦这两个部分被解释清楚，剩下的部分就很容易被解释为一个房子。

图7按协议路由能解析拥挤场景，如可被误解为颠倒的房子而其他部分无法解释的存在歧义的图像。但底部矩形路由给船，同时底部三角形将也路由给船。一旦船被解释清楚，那么很容易将顶部解释为房子。图像由AurélienGéron提供。

作者| AurélienGéron

原文链接

https://www.oreilly.com/ideas/introducing-capsule-networks?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+oreilly%2Fradar%2Fatom+%28O%27Reilly+Radar%29