Capsule Networks (CapsNet)

胶囊网络（通常简称为 CapsNet）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。CapsNet 由 Geoffrey Hinton 及其团队提出，试图比标准模型更紧密地模拟人类大脑的生物神经组织。与典型的 卷积神经网络 (CNN) 不同（后者擅长检测特征，但往往会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”的组。这些胶囊不仅编码对象存在的概率，还编码其特定属性（如方向、大小和纹理），从而有效地保留了视觉数据中的分层空间关系。

Link to this section传统 CNN 的局限性#

要理解 CapsNet 的创新之处，了解标准计算机视觉模型的工作方式很有帮助。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 无论在图像中的哪个位置，都能识别出“猫”。

然而，这个过程往往会丢弃精确的定位数据，导致“毕加索问题”：CNN 可能会正确地分类人脸，即使嘴巴在额头上，仅仅因为所有必要的特征都存在。CapsNet 通过移除池化层并用尊重对象 空间层次结构 的过程替换它们来解决这个问题。

Link to this section胶囊网络如何工作#

这种架构的核心构建块是胶囊，这是一组嵌套的神经元，输出向量而不是标量值。在 向量数学 中，向量既有大小也有方向。在 CapsNet 中：

• 大小（长度）： 表示特定实体存在于当前输入中的概率。
• 方向（方位）： 编码实例化参数，例如对象的 姿态估计、比例和旋转。

较低层中的胶囊（检测边缘等简单形状）预测较高层中胶囊（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“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 视角识别对象，而无需通常用于教 CNN 旋转和比例知识所需的大规模 数据增强。

Link to this section主要区别：CapsNet 与 CNN#

虽然这两种架构都是 计算机视觉 (CV) 的基础，但它们在处理和表示视觉数据的方式上有所不同：

• 标量与向量： CNN 神经元使用标量输出表示特征存在。CapsNet 使用向量来编码存在（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，往往会丢失位置细节。CapsNet 使用动态路由来保留空间数据，使其在需要精确 对象跟踪 的任务中非常有效。
• 数据效率： 由于胶囊隐含地理解 3D 视角和 仿射变换，它们通常可以比 CNN 从更少的 训练数据 中进行泛化，而 CNN 可能需要大量示例来学习对象的每一种可能的旋转。

Link to this section实际应用#

虽然 CapsNet 在计算上通常比像 YOLO26 这样经过优化的模型更昂贵，但它们在专业领域提供了明显的优势：

1. 医学图像分析： 在医疗保健领域，异常的精确方向和形状至关重要。研究人员已将 CapsNet 应用于 脑肿瘤分割，在该领域中，模型必须基于标准 CNN 可能平滑掉的细微空间层次结构来区分肿瘤和周围组织。你可以探索关于 医学成像中的胶囊网络 的相关研究。

2. 重叠数字识别： CapsNet 在 MNIST 数据集 上取得了最先进的结果，特别是在数字重叠的情况下。由于网络跟踪每个数字的“姿态”，它可以将两个重叠的数字（例如，在“5”之上的“3”）解开为不同的对象，而不是将它们合并为一个单一的、混淆的特征图。

Link to this section实际背景与实现#

胶囊网络主要是一种分类架构。虽然它们提供了理论上的稳健性，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，了解用于 CapsNet 的分类基准（如 MNIST）很有用。

The following example demonstrates how to train a modern YOLO classification model on the MNIST dataset using the ultralytics package. This parallels the primary benchmark task used to validate 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 section胶囊与视觉 AI 的未来#

胶囊网络背后的原则继续影响着 AI 安全 和可解释性研究。通过显式地建模部分与整体的关系，胶囊为深度神经网络的“黑箱”本质提供了一种“玻璃箱”替代方案，使决策更具可解释性。未来的发展旨在将胶囊的空间稳健性与 YOLO11 或更新的 YOLO26 等架构的推理速度相结合，以提高 3D 对象检测 和机器人技术中的性能。研究人员也在探索 带有 EM 路由的矩阵胶囊，以进一步降低一致性算法的计算成本。

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、在云端训练并部署模型，这些模型在 CNN 的速度与复杂视觉任务所需的精度之间取得了平衡。