改进胶囊网络在图像识别中的应用

摘要

图像识别是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,并对质量不佳的图像进行一系列的增强与重建技术手段,从而有效改善图像质量。本文用改进胶囊网络对MNIST数据集进行训练。胶囊是一组神经元,其活动向量表示一种特定类型的实体的实例化参数,它的长度代表实体存在的概率,方向代表实体的实例化参数,低层的活性胶囊,依据转移矩阵对高层胶囊的实例化参数进行预测,当多个预测一致时,高层胶囊被激活。本文利用spread损失来代替margin损失,避免过早出现“失活”胶囊,并且在不添加重构子网络的情况下,对不同路由迭代次数进行研究,确定路由迭代次数对分类准确率的影响,并确定模型最优参数。研究表明该模型在未做增强和扩展处理的MNIST数据集上的误分率低至0.32%。同时,改进胶囊网络在Fashion-MNIST,CIFAR-10数据集上也表现出了良好的性能。