AI胶​​囊系统可对数字进行精确分类

 
有充分的证据表明，人类依靠坐标系或参考线和曲线来确定点在空间中的位置。这与广泛使用的计算机视觉算法不同，后者通过数字表示对象的特征来区分对象。
为了追求一种更人性化的方法，谷歌，Alphabet子公司DeepMind和牛津大学的研究人员提出了他们所谓的堆叠式胶囊自动编码器(SCAE)，这可以通过物体之间的几何关系来解释物体。由于这些关系不依赖于模型查看对象的位置，因此即使视点发生变化，模型也可以对对象进行高精度分类。
2017年，杰弗里·欣顿(Geoffrey Hinton)(人工智能的最重要理论家和图灵奖的获得者)与学生Sara Sabour和Nicholas Frosst一起提出了一种名为CapsNet的机器学习架构，这是一种经过区别训练的多层方法，可实现最新的图像流行基准上的分类性能。作为他们最初工作的后续措施，Hinton，Sabour和牛津机器人研究所的研究人员于今年早些时候详细介绍了SCAE，它在关键方面对原始架构进行了改进。
SCAE和其他胶囊系统通过以几何方式解释其零件的组织集合来使物体有意义。负责分析各种对象属性(如位置，大小和色相)的一组数学函数(胶囊)被附加到通常用于分析视觉图像的一种AI模型上，并且一些胶囊的预测被重复使用以形成部分。由于这些表示在SCAE的整个分析过程中都保持不变，因此即使交换或变换零件的位置，胶囊系统也可以利用它们来识别物体。
胶囊系统的另一个独特之处是?他们注意路线。与所有深层神经网络一样，胶囊的功能排列在相互连接的层中，这些层传输来自输入数据的“信号”，并缓慢调整每个连接的突触强度(也称为权重)。 (这就是他们提取特征并学会进行预测的方式。)但是，对于胶囊，权重是根据上一层函数预测下一层输出的能力动态计算的。
SCAE包括几个阶段。首先，星座胶囊自动编码器(CCAE)将要分析的图像像素提取出来。第二阶段-零件胶囊自动编码器(PCAE)-在重建图像之前将图像分割为组成部分并推断其姿势。最后，对象胶囊自动编码器(OCAE)尝试将发现的零件及其姿势组织​​成较小的一组对象，然后尝试对其进行重构。
这是令人头疼的东西，但研究的共同作者说，SCAE的设计使它可以在两个开源数据集SVHN(包含小批数字的图像)和MINST(手写)上注册行业领先的结果，以进行无监督的图像分类。数字)。一旦为SCAE提供了来自每个图像的图像，并为所得的聚类分配了标签，它在SVHN上的准确度达到55%，在MNIST上的准确度达到98.7%，进一步分别提高到67%和99%。