← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9428.g · 生成模型:Tencent Hunyuan Hy

胶囊向量:几何信息的编码

理解等级:中级

胶囊网络用向量取代标量作为神经元输出,以编码重要的几何信息:向量长度表示检测到物体的概率,方向编码物体的朝向。视角变化时向量随之旋转,长度却保持不变,这种特性称为活动等价性或不变性,是 CNN 池化无法做到的。特征因此不再局限于二维平面,而进入类似计算机图形的三维空间,跨层间的层次与几何关系得以保留。这一表示让模型能从不同视角识别同一物体,构成[[动态路由与压缩激活]]的基础。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第08章《深度学习的新趋势》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/15.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文以向量长度、方向及摩天大楼视角变化说明活动等价性,支撑向量编码几何关系的有效性。 - 原始内容:使用向量而不是比例作为神经元的输出,胶囊网络通过编码从不同层提取的特征之间的层次和几何关系来扩展 CNN。 特征不再是在二维平面上,而是在三维空间内,类似于计算机图形图像。