Capsule Networks (CapsNet)

胶囊网络通常简称为 CapsNets，是深度学习领域中的一种先进架构，旨在克服传统神经网络存在的特定局限。CapsNets 由 Geoffrey Hinton 及其团队提出，试图比标准模型更贴近地模拟人类大脑的生物神经组织方式。不同于典型的卷积神经网络 (CNN)，后者擅长检测特征，但常常因下采样而丢失空间关系，胶囊网络将神经元组织成称为“胶囊”的群组。这些胶囊不仅编码对象存在的概率，还编码其具体属性，例如方向、大小和纹理，从而有效保留视觉数据中的层级空间关系。

传统 CNN 的局限性#

要理解 CapsNets 的创新之处，了解标准计算机视觉模型的运行方式会有所帮助。传统 CNN 使用特征提取层，随后使用池化层，尤其是最大池化，以降低计算负载并实现平移不变性。这意味着无论“猫”位于图像中的什么位置，CNN 都能识别出它。

然而，这一过程通常会丢弃精确的位置数据，从而导致“毕加索问题”：即使嘴巴位于额头上，CNN 也可能正确地将其分类为人脸，仅仅因为所有必要的特征都存在。CapsNets 通过移除池化层，并将其替换为尊重对象空间层级关系的处理过程来解决这一问题。

胶囊网络的工作原理#

这一架构的核心构建模块是胶囊，它是一组嵌套的神经元，输出的是向量而非标量值。在向量数学中，向量同时具有大小和方向。在 CapsNet 中：

• **大小（长度）：**表示当前输入中某个特定实体存在的概率。
• **方向（朝向）：**编码实例化参数，例如对象的姿态估计、缩放比例和旋转角度。

低层胶囊（检测边缘等简单形状）会预测高层胶囊（检测眼睛或轮胎等复杂对象）的输出。这种通信由一种称为“动态路由”或“基于一致性的路由”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得到加强。这样一来，网络无需通常为了让 CNN 学会处理旋转和缩放而进行的大量数据增强，就能从不同的 3D 视角识别对象。

关键差异：CapsNets 与 CNN 的对比#

尽管这两种架构都是计算机视觉 (CV)的基础，但它们处理和表示视觉数据的方式不同：

• **标量与向量：**CNN 神经元使用标量输出表示特征是否存在。CapsNets 使用向量编码存在性（长度）和姿态参数（方向）。
• **路由与池化：**CNN 使用池化对数据进行下采样，通常会丢失位置细节。CapsNets 使用动态路由保留空间数据，因此在需要精确对象跟踪的任务中非常有效。
• **数据效率：**由于胶囊能够隐式理解 3D 视角和仿射变换，与 CNN 相比，它们通常只需较少的训练数据就能实现泛化；而 CNN 可能需要大量示例才能学会对象的每一种可能旋转。

实际应用#

尽管 CapsNets 的计算成本通常高于YOLO26等优化模型，但它们在专业领域具有独特优势：

1. **医学图像分析：**在医疗领域，异常区域的精确方向和形状至关重要。研究人员已将 CapsNets 应用于脑肿瘤分割，在此任务中，模型必须根据标准 CNN 可能平滑掉的细微空间层级关系，将肿瘤与周围组织区分开来。你可以在医学影像中的胶囊网络中了解相关研究。

2. **重叠数字识别：**CapsNets 在MNIST 数据集上取得了最先进的结果，尤其是在数字重叠的场景中。由于网络会跟踪每个数字的“姿态”，因此能够将两个重叠的数字（例如叠加在 '5' 上的 '3'）解耦为不同对象，而不是将它们合并成单个混淆的特征图。

实践背景与实现#

胶囊网络主要是一种分类架构。尽管它们具有理论上的鲁棒性，但现代工业应用通常更倾向于使用高速 CNN 或 Transformer 来实现实时性能。不过，了解 CapsNets 所采用的分类基准（例如 MNIST）仍然很有用。

以下示例演示了如何使用 ultralytics 包在 MNIST 数据集上训练现代YOLO 分类模型。这与用于验证胶囊网络的主要基准任务相对应。

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 AI 的未来#

胶囊网络背后的原理持续影响着AI 安全和可解释性研究。通过显式建模部分与整体之间的关系，胶囊为深度神经网络的“黑盒”特性提供了一种“玻璃盒”替代方案，使决策更易于解释。未来的发展方向是将胶囊的空间鲁棒性与YOLO11或更新的 YOLO26 等架构的推理速度相结合，以提升3D 对象检测和机器人技术的性能。研究人员还在探索带有 EM 路由的矩阵胶囊，以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提供了统一环境，可用于标注数据、在云端训练模型，以及部署兼顾 CNN 速度与复杂视觉任务所需精度的模型。