Capsule Networks (CapsNet)

Le Capsule Networks, spesso abbreviate come CapsNet, rappresentano un'architettura avanzata nel campo del deep learning progettata per superare limiti specifici presenti nelle reti neurali tradizionali. Introdotte da Geoffrey Hinton e dal suo team, le CapsNet tentano di imitare l'organizzazione neurale biologica del cervello umano più da vicino rispetto ai modelli standard. A differenza di una tipica convolutional neural network (CNN), che eccelle nel rilevare caratteristiche ma spesso perde le relazioni spaziali a causa del downsampling, una Capsule Network organizza i neuroni in gruppi chiamati "capsule". Queste capsule codificano non solo la probabilità della presenza di un oggetto, ma anche le sue proprietà specifiche, come orientamento, dimensioni e consistenza, preservando efficacemente le relazioni spaziali gerarchiche all'interno dei dati visivi.

Link to this sectionIl limite delle CNN tradizionali#

Per comprendere l'innovazione delle CapsNet, è utile osservare come operano i modelli standard di computer vision. Una CNN convenzionale utilizza strati di feature extraction seguiti da livelli di pooling—nello specifico max pooling—per ridurre il carico computazionale e ottenere invarianza traslazionale. Ciò significa che una CNN può identificare un "gatto" indipendentemente da dove si trovi nell'immagine.

Tuttavia, questo processo spesso scarta dati di posizione precisi, portando al "problema di Picasso": una CNN potrebbe classificare un volto correttamente anche se la bocca si trova sulla fronte, semplicemente perché tutte le caratteristiche necessarie sono presenti. Le CapsNet risolvono questo problema rimuovendo i livelli di pooling e sostituendoli con un processo che rispetta le spatial hierarchies degli oggetti.

Link to this sectionCome funzionano le Capsule Networks#

Il blocco fondamentale di questa architettura è la capsula, un insieme nidificato di neuroni che emette un vettore anziché un valore scalare. Nella vector mathematics, un vettore ha sia intensità che direzione. In una CapsNet:

• Intensità (Lunghezza): Rappresenta la probabilità che un'entità specifica esista nell'input corrente.
• Direzione (Orientamento): Codifica i parametri di istanziazione, come pose estimation, scala e rotazione dell'oggetto.

Le capsule negli strati inferiori (che rilevano forme semplici come i bordi) predicono l'output delle capsule negli strati superiori (che rilevano oggetti complessi come occhi o pneumatici). Questa comunicazione è gestita da un algoritmo chiamato "dynamic routing" o "routing by agreement". Se la predizione di una capsula di livello inferiore si allinea con lo stato della capsula di livello superiore, la connessione tra loro viene rafforzata. Ciò consente alla rete di riconoscere oggetti da diversi punti di vista 3D senza richiedere la massiccia data augmentation solitamente necessaria per insegnare alle CNN la rotazione e la scala.

Link to this sectionDifferenze chiave: CapsNet vs CNN#

Sebbene entrambe le architetture siano fondamentali per la computer vision (CV), differiscono nel modo in cui elaborano e rappresentano i dati visivi:

• Scalare vs Vettore: I neuroni delle CNN usano output scalari per indicare la presenza di una caratteristica. Le CapsNet usano vettori per codificare presenza (lunghezza) e parametri di posa (orientamento).
• Routing vs Pooling: Le CNN usano il pooling per sottocampionare i dati, perdendo spesso dettagli di posizione. Le CapsNet usano il dynamic routing per preservare i dati spaziali, rendendole altamente efficaci per attività che richiedono un preciso object tracking.
• Efficienza dei dati: Poiché le capsule comprendono implicitamente punti di vista 3D e affine transformations, spesso possono generalizzare da meno training data rispetto alle CNN, che potrebbero richiedere esempi estesi per apprendere ogni possibile rotazione di un oggetto.

Link to this sectionApplicazioni nel mondo reale#

Sebbene le CapsNet siano spesso computazionalmente più costose di modelli ottimizzati come YOLO26, offrono vantaggi distinti in ambiti specializzati:

1. Analisi di immagini mediche: In ambito sanitario, l'orientamento e la forma precisi di un'anomalia sono critici. I ricercatori hanno applicato le CapsNet alla brain tumor segmentation, dove il modello deve distinguere un tumore dal tessuto circostante basandosi su sottili gerarchie spaziali che le CNN standard potrebbero appiattire. Puoi esplorare la ricerca correlata su Capsule Networks in Medical Imaging.

2. Riconoscimento di cifre sovrapposte: Le CapsNet hanno ottenuto risultati all'avanguardia sul MNIST dataset, specificamente in scenari in cui le cifre si sovrappongono. Poiché la rete traccia la "posa" di ogni cifra, può separare due numeri sovrapposti (ad esempio, un '3' sopra un '5') come oggetti distinti invece di unirli in un'unica mappa di caratteristiche confusa.

Link to this sectionContesto pratico e implementazione#

Le Capsule Networks sono principalmente un'architettura di classificazione. Sebbene offrano una robustezza teorica, le applicazioni industriali moderne spesso preferiscono CNN ad alta velocità o Transformer per prestazioni in tempo reale. Tuttavia, comprendere i benchmark di classificazione utilizzati per le CapsNet, come MNIST, è utile.

Il seguente esempio dimostra come addestrare un moderno YOLO classification model sul dataset MNIST utilizzando il pacchetto ultralytics. Ciò è in parallelo con l'attività di benchmark primaria utilizzata per convalidare le Capsule Networks.

from ultralytics import YOLO

# Load a YOLO26 classification model (optimized for speed and accuracy)
model = YOLO("yolo26n-cls.pt")

# Train the model on the MNIST dataset
# This dataset helps evaluate how well a model learns handwritten digit features
results = model.train(data="mnist", epochs=5, imgsz=32)

# Run inference on a sample image
# The model predicts the digit class (0-9)
predict = model("https://docs.ultralytics.com/datasets/classify/mnist/")

Link to this sectionFuturo delle capsule e Vision AI#

I principi alla base delle Capsule Networks continuano a influenzare la ricerca sulla AI safety e sull'interpretabilità. Modellando esplicitamente le relazioni parte-tutto, le capsule offrono un'alternativa a "scatola trasparente" rispetto alla natura a "scatola nera" delle reti neurali profonde, rendendo le decisioni più spiegabili. Gli sviluppi futuri mirano a combinare la robustezza spaziale delle capsule con la velocità di inferenza di architetture come YOLO11 o la più recente YOLO26 per migliorare le prestazioni nel 3D object detection e nella robotica. I ricercatori stanno anche esplorando le Matrix Capsules with EM Routing per ridurre ulteriormente il costo computazionale dell'algoritmo di accordo.

Per gli sviluppatori che cercano di gestire dataset e addestrare modelli in modo efficiente, la Ultralytics Platform fornisce un ambiente unificato per annotare dati, addestrare nel cloud e distribuire modelli che bilanciano la velocità delle CNN con la precisione richiesta per compiti di visione complessi.