胶囊网络对复杂现实场景中的物体识别

摘要

cqvip:为了提高复杂场景目标图像的识别准确率,本文基于胶囊网络中的向量神经元的思想,在CapsNet网络基础上提出了一种改进的胶囊网络,用于实现复杂现实场景中的物体识别。改进的胶囊网络由两个卷积层和三个具有不同维度的胶囊层构成,在CapsNet网络结构的基础上进行了优化,在其CapsNet初级胶囊层之前增加了一层卷积层,并且在网络识别结构的后半部分增加了过滤胶囊层。该网络胶囊层中低层特征利用姿态关系对高层特征进行了预测,并采用动态路由算法和筛分决策机制最终选择性激活高级特征胶囊结构。实验结果表明,相较于CapsNet网络,文中网络对于同一复杂场景下目标图像的识别准确率提高了3.2%,且重构效果也较CapsNet有所提升,降低了复杂场景对于识别物体的干扰,提高了物体表征能力。