基于DPC优化动态路由的胶囊网络算法

摘要

作为一种深度神经网络结构,与卷积神经网络(CNN)相比,胶囊网络可以建立不同特征之间的空间关系,具有更好地拟合特征的能力.但是,动态路由中原有的聚类算法对初始聚类中心的选择较为敏感.针对这一问题,使用密度峰值聚类(DPC)算法对原有的聚类算法进行优化,提出DPC-CapsNet模型,以提高动态路由算法的整体性能.基于TensorFlow框架的DPC-CapsNet模型的实验结果表明,结合了DPC算法的胶囊网络结构在MNIST和Fashion-MNIST数据集上均具有较快的收敛速度,以及较高的分类准确率,证明了算法的有效性,同时也说明了胶囊网络在图像分类领域的应用潜力.