Capsule Networks (CapsNet)

Mạng Capsule, thường được viết tắt là CapsNets, là một kiến trúc nâng cao trong lĩnh vực deep learning, được thiết kế để khắc phục những hạn chế cụ thể của các neural network truyền thống. Được Geoffrey Hinton và nhóm của ông giới thiệu, CapsNets cố gắng mô phỏng tổ chức neural sinh học của não người sát hơn so với các model tiêu chuẩn. Không giống convolutional neural network (CNN) điển hình, vốn rất hiệu quả trong việc phát hiện các đặc trưng nhưng thường làm mất các mối quan hệ không gian do quá trình downsampling, Mạng Capsule tổ chức các neuron thành những nhóm được gọi là "capsule". Các capsule này mã hóa không chỉ xác suất một object xuất hiện mà còn cả các thuộc tính cụ thể của object, chẳng hạn như hướng, kích thước và texture, qua đó bảo toàn hiệu quả các mối quan hệ không gian phân cấp trong dữ liệu hình ảnh.

Hạn chế của CNN truyền thống#

Để hiểu được tính đổi mới của CapsNets, việc xem xét cách các model computer vision tiêu chuẩn hoạt động sẽ hữu ích. Một CNN thông thường sử dụng các layer trích xuất đặc trưng, tiếp theo là các layer pooling—cụ thể là max pooling—để giảm tải tính toán và đạt được tính bất biến với phép tịnh tiến. Điều này có nghĩa là CNN có thể nhận diện một "con mèo" bất kể nó nằm ở vị trí nào trong hình ảnh.

Tuy nhiên, quy trình này thường loại bỏ dữ liệu vị trí chính xác, dẫn đến "bài toán Picasso": CNN có thể phân loại chính xác một khuôn mặt ngay cả khi miệng nằm trên trán, đơn giản vì tất cả các đặc trưng cần thiết đều hiện diện. CapsNets khắc phục điều này bằng cách loại bỏ các layer pooling và thay thế chúng bằng một quy trình tôn trọng các phân cấp không gian của object.

Cách Mạng Capsule hoạt động#

Khối xây dựng cốt lõi của kiến trúc này là capsule, một tập hợp neuron lồng nhau tạo ra một vector thay vì một giá trị vô hướng. Trong toán học vector, một vector có cả độ lớn và hướng. Trong một CapsNet:

• Độ lớn (Độ dài): Biểu thị xác suất một thực thể cụ thể tồn tại trong input hiện tại.
• Hướng (Orientation): Mã hóa các tham số thể hiện, chẳng hạn như ước tính tư thế của object, tỷ lệ và phép xoay.

Các capsule ở layer thấp hơn (phát hiện những hình dạng đơn giản như cạnh) dự đoán output của các capsule ở layer cao hơn (phát hiện những object phức tạp như mắt hoặc lốp xe). Hoạt động giao tiếp này được quản lý bởi một algorithm gọi là "dynamic routing" hoặc "routing by agreement". Nếu dự đoán của một capsule cấp thấp phù hợp với trạng thái của capsule cấp cao, kết nối giữa chúng sẽ được tăng cường. Điều này cho phép network nhận diện object từ các góc nhìn 3D khác nhau mà không cần lượng data augmentation khổng lồ thường cần thiết để huấn luyện CNN về phép xoay và tỷ lệ.

Những khác biệt chính: CapsNets và CNNs#

Mặc dù cả hai kiến trúc đều có vai trò nền tảng trong computer vision (CV), chúng khác nhau ở cách xử lý và biểu diễn dữ liệu hình ảnh:

• Vô hướng so với Vector: Các neuron CNN sử dụng output vô hướng để biểu thị sự hiện diện của đặc trưng. CapsNets sử dụng vector để mã hóa sự hiện diện (độ dài) và các tham số tư thế (hướng).
• Routing so với Pooling: CNN sử dụng pooling để downsample dữ liệu, thường làm mất thông tin chi tiết về vị trí. CapsNets sử dụng dynamic routing để bảo toàn dữ liệu không gian, khiến chúng đặc biệt hiệu quả đối với các tác vụ yêu cầu tracking object chính xác.
• Hiệu quả dữ liệu: Vì các capsule hiểu ngầm về các góc nhìn 3D và phép biến đổi affine, chúng thường có thể khái quát hóa từ ít dữ liệu training hơn so với CNN, vốn có thể cần rất nhiều ví dụ để học mọi phép xoay có thể có của một object.

Các ứng dụng trong thực tế#

Mặc dù CapsNets thường có chi phí tính toán cao hơn các model được tối ưu hóa như YOLO26, chúng mang lại những lợi thế riêng trong các lĩnh vực chuyên biệt:

1. Phân tích hình ảnh y tế: Trong lĩnh vực chăm sóc sức khỏe, hướng và hình dạng chính xác của một bất thường có vai trò then chốt. Các nhà nghiên cứu đã áp dụng CapsNets vào phân đoạn khối u não, trong đó model phải phân biệt khối u với mô xung quanh dựa trên những phân cấp không gian tinh tế mà CNN tiêu chuẩn có thể làm mờ. Bạn có thể tìm hiểu các nghiên cứu liên quan về Mạng Capsule trong hình ảnh y tế.

2. Nhận diện chữ số chồng lấp: CapsNets đạt kết quả tiên tiến trên dataset MNIST, đặc biệt trong các tình huống chữ số chồng lấp lên nhau. Vì network theo dõi "tư thế" của từng chữ số, nó có thể tách hai số chồng lấp (ví dụ: số '3' nằm trên số '5') thành các object riêng biệt thay vì gộp chúng thành một feature map duy nhất bị lẫn lộn.

Bối cảnh thực tiễn và triển khai#

Mạng Capsule chủ yếu là một kiến trúc classification. Mặc dù mang lại độ vững về mặt lý thuyết, các ứng dụng hiện đại trong ngành thường ưu tiên CNN tốc độ cao hoặc Transformer để đạt hiệu năng real-time. Tuy nhiên, việc hiểu các benchmark classification được sử dụng cho CapsNets, chẳng hạn như MNIST, vẫn hữu ích.

Ví dụ sau minh họa cách training một YOLO classification model hiện đại trên dataset MNIST bằng package ultralytics. Đây là một tác vụ tương tự benchmark chính được sử dụng để kiểm chứng Mạng Capsule.

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")

Tương lai của Capsule và Vision AI#

Các nguyên lý đằng sau Mạng Capsule tiếp tục ảnh hưởng đến nghiên cứu về AI safety và khả năng diễn giải. Bằng cách mô hình hóa tường minh mối quan hệ bộ phận–toàn thể, các capsule cung cấp một giải pháp thay thế "hộp kính" cho bản chất "hộp đen" của các deep neural network, giúp các quyết định trở nên dễ giải thích hơn. Những phát triển trong tương lai hướng đến việc kết hợp khả năng vững trước biến đổi không gian của capsule với tốc độ inference của các kiến trúc như YOLO11 hoặc YOLO26 mới hơn để cải thiện hiệu năng trong phát hiện object 3D và robotics. Các nhà nghiên cứu cũng đang khám phá Matrix Capsules với EM Routing để tiếp tục giảm chi phí tính toán của algorithm agreement.

Đối với các developer muốn quản lý dataset và training model một cách hiệu quả, Ultralytics Platform cung cấp một môi trường hợp nhất để annotate dữ liệu, training trên cloud và deploy các model cân bằng tốc độ của CNN với độ chính xác cần thiết cho những tác vụ vision phức tạp.