胶囊网络（CapsNet）

胶囊网络，通常缩写为CapsNets，代表了深度学习领域的一种先进架构，旨在克服传统神经网络中存在的特定局限性。由Geoffrey Hinton及其团队引入，CapsNets试图比标准模型更紧密地模仿人脑的生物神经组织。与典型的卷积神经网络 (CNN)不同，卷积神经网络擅长 detect 特征，但由于下采样通常会丢失空间关系，胶囊网络将神经元组织成称为“胶囊”的组。这些胶囊不仅编码了目标存在的概率，还编码了其特定属性，例如方向、大小和纹理，有效地保留了视觉数据中的分层空间关系。

传统 CNN 的局限性

为了理解 CapsNets 的创新之处，了解标准计算机视觉模型如何运作会很有帮助。传统的 CNN 使用 特征提取 层，然后是池化层——特别是 最大池化——以减少计算负载并实现平移不变性。这意味着 CNN 无论“猫”在图像中的位置如何，都能识别它。

然而，这个过程通常会丢弃精确的位置数据，导致“毕加索问题”：即使嘴巴在额头上，CNN 也可能正确 classify 一张脸，仅仅因为所有必要的特征都存在。CapsNets 通过移除池化层并用一种尊重物体 空间层次结构 的过程来取代它们，从而解决了这个问题。

胶囊网络如何工作

这种架构的核心构建块是胶囊，它是一个嵌套的神经元集合，输出的是向量而不是标量值。在向量数学中，向量既有大小也有方向。在CapsNet中：

• 量级（长度）：表示特定实体存在于当前输入中的概率。
• 方向（朝向）：编码实例化参数，例如物体的姿势估计、尺度和旋转。

低层胶囊（detect 边缘等简单形状）预测高层胶囊（detect 眼睛或轮胎等复杂物体）的输出。这种通信由一种称为“动态路由”或“一致性路由”的算法管理。如果低层胶囊的预测与高层胶囊的状态一致，它们之间的连接就会加强。这使得网络能够从不同的3D视角识别物体，而无需通常用于教导CNN旋转和尺度变化的大规模数据增强。

关键差异：CapsNets 与卷积神经网络（CNNs）

虽然这两种架构都是计算机视觉（CV）的基础， 它们在处理和表示视觉数据的方式上存在差异：

• 标量 vs. 向量： CNN 神经元使用标量输出表示特征存在。CapsNets 使用向量编码存在（长度）和姿势估计参数（方向）。
• 路由 vs. 池化： CNN 使用池化对数据进行下采样，通常会丢失位置细节。CapsNets 使用动态路由来保留空间数据，使其在需要精确 object track 的任务中非常有效。
• 数据效率: 由于胶囊网络（capsules）隐式理解3D视角和仿射变换，与可能需要大量样本来学习对象所有可能旋转的CNNs相比，它们通常可以从更少的训练数据中进行泛化。

实际应用

尽管CapsNets在计算成本上通常高于YOLO26等优化模型，但在特定领域中具有显著优势：

1. 医学图像分析：在医疗领域，病变的精确方位与形态至关重要。研究人员已将胶囊网络应用于脑肿瘤分割，该模型需基于标准卷积神经网络可能忽略的细微空间层次结构，将肿瘤与周围组织区分开来。您可探索医学影像中胶囊网络的相关研究。
2. 重叠数字识别： CapsNets 在 MNIST dataset 上取得了最先进的结果，特别是在数字重叠的场景中。因为网络 track 每个数字的“姿势估计”，它可以将两个重叠的数字（例如，一个“3”在一个“5”之上）解耦为不同的对象，而不是将它们合并成一个混淆的特征图。

实践背景与实施

Capsule Networks（胶囊网络）主要是一种分类架构。虽然它们在理论上具有鲁棒性，但现代工业应用往往更青睐高速卷积神经网络（CNNs）或Transformer模型以实现实时性能。然而，理解胶囊网络所使用的分类基准数据集（MNIST）仍具有重要价值。

以下示例演示了如何训练现代 YOLO 在MNIST 上使用 ultralytics 该任务与用于验证囊状网络的主要基准任务相类似。

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/")

胶囊与视觉人工智能的未来

胶囊网络背后的原理持续影响着 人工智能安全与可解释性研究。通过显式建模 部分-整体关系，胶囊为深度神经网络的"黑箱"特性提供了"玻璃箱"替代方案， 使决策过程更具可解释性。未来发展将致力于融合胶囊的空间鲁棒性 与YOLO11等架构的推理速度， YOLO11 或更新的YOLO26等架构的推理速度，以提升三维物体检测与机器人系统的性能。研究人员还正探索采用EM路由的矩阵胶囊，进一步降低协议算法的计算成本。

对于希望高效管理数据集和训练模型的开发者，Ultralytics Platform提供了一个统一的环境来标注数据、在云端训练和部署模型，这些模型在平衡CNN的速度与复杂视觉任务所需的精度方面表现出色。