Kapsül Ağları
Kapsül ağları, nöronları, bir özelliğin var olup olmadığını ve pozunu (konum, yönelim, ölçek) kodlayan çıktı vektörlerini 'kapsüller' halinde gruplayan bir sinir mimarisidir.
Genel Bakış
They aim to fix a core blindness in standard convolutional networks: losing track of spatial relationships between parts.
Derin Dalış
Geoffrey Hinton, Sara Sabour ve Nicholas Frosst tarafından 2017'de önerilen kapsül ağları, skaler nöron çıktısını bir vektörle değiştiriyor. Vektörün uzunluğu, bir varlığın (göz veya burun gibi) mevcut olma olasılığını temsil ederken, yönü poz parametrelerini kodlar. Düşük seviyeli kapsüller, dönüşüm matrisleri aracılığıyla yüksek seviyeli kapsüllerin konumunu tahmin eder ve anlaşmaya göre dinamik yönlendirme adı verilen bir süreç, hangi tahminlere güvenileceğine karar verir. Birden fazla parça-kapsül aynı bütün üzerinde anlaştığında yönlendirme bu bağlantıyı güçlendirir. Orijinal CapsNet, MNIST'te güçlü sonuçlar elde etti ve örtüşen rakamlara ve afin dönüşümlere karşı oldukça dayanıklıydı ve CNN'lerin karışık yüz özelliklerini geçerli bir yüz olarak kabul ettiği 'Picasso sorununa' çözüm buldu.
Teknik Bilgi
Anahtar mekanizma, kısa vektörleri sıfıra doğru ve uzun vektörleri bir uzunluğa doğru küçülten bir 'kasaba' doğrusal olmamadır, dolayısıyla vektör büyüklüğü bir olasılık olarak okunur. Dinamik yönlendirme daha sonra softmax ağırlıklı anlaşma adımının birkaç yinelemesini çalıştırır: her alt kapsül tahminini yukarı gönderir ve çıktısı bu tahminle (nokta çarpım aracılığıyla) hizalanan daha yüksek kapsüller için bağlantı katsayıları artar. Bu, maksimum havuzlamanın yerini alır ve hassas mekansal bilgileri atmak yerine korur.
Stratejik Etki
Maliyet ve bütçe
Mimari kararlar yıllarca performansı ve işletme maliyetini etkiler.
Daha net kararlar
Teknik eğitim, ekiplerin yalnızca en yenisini değil, doğru yığını seçmesine de yardımcı olur.
Quality control
Daha iyi mühendislik seçenekleri, üretimdeki güvenilirlik olaylarını azaltır.
Kapsül Ağlarının Geleceği
Kapsül ağları, konuşlandırılmış bir standarttan ziyade bir araştırma yönü olmaya devam ediyor; bunun büyük ölçüde nedeni, dinamik yönlendirmenin hesaplama açısından pahalı olması ve ImageNet gibi büyük görüntülere yetersiz ölçeklendirilmesidir. Daha sonraki çalışmalarda verimliliği artırmak için EM yönlendirme (Matrix Kapsülleri) ve kişisel dikkat tabanlı yönlendirme araştırıldı. Eşdeğişkenliğe, örnek verimliliğine ve yorumlanabilir parça-bütün hiyerarşilerine olan ilgi arttıkça, Transformers'ın ana akım vizyona hakim olmasına rağmen kapsül fikirleri, Hinton'un sonraki GLOM önerisi de dahil olmak üzere araştırmaları etkilemeye devam ediyor.
Gerçek Dünya Uygulaması
Kapsül vektörlerinden gelen girdiyi yeniden oluştururken MNIST'te el yazısıyla yazılan rakamların sınıflandırılması, poz parametrelerinin anlamlı olduğunu göstermektedir.
Hangi piksellerin hangi varlığa ait olduğunu bölümlere ayırarak çakışan iki rakamı ayırmak (MultiMNIST görevi).
Parça-bütün mekansal ilişkilerinin önemli olduğu akciğer nodüllerini veya beyin tümörlerini tespit etmek için kapsüller kullanan tıbbi görüntüleme araştırması.
Daha az eğitim örneğiyle nesneleri yeni bakış açılarından tanıma, mimarinin yerleşik bakış açısı eşitliğinden yararlanma.
Riskler ve Korkuluklar
Bir kıyaslamayı optimize etmek daha geniş sistem zayıflıklarını gizleyebilir.
Altyapı ve bakım maliyetleri genellikle hafife alınır.
Sistemler karmaşıklaştıkça güvenlik ve gözlemlenebilirlik boşlukları büyüyebilir.
Uygulama Yol Haritası
Uygulamadan önce gecikmeyi, kaliteyi ve maliyet hedeflerini tanımlayın.
Gerçekçi yük ve veri koşulları altında kıyaslama yapın.
Hatalar, sapmalar ve kullanıcı etkisi için cihaz izleme.
Ölçeklendirmeden önce geri alma ve olay müdahale yollarını hazırlayın.
Keşfetmeye Devam Edin
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Capsule Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Karayolu Ağları ve Atlama Bağlantıları
Sık sorulan sorular
What is Capsule Networks?
Kapsül ağları, nöronları, bir özelliğin var olup olmadığını ve pozunu (konum, yönelim, ölçek) kodlayan çıktı vektörlerini 'kapsüller' halinde gruplayan bir sinir mimarisidir. Standart evrişimli ağlardaki temel körlüğü düzeltmeyi amaçlıyorlar: Parçalar arasındaki mekansal ilişkilerin izinin kaybedilmesi.
Bir kapsül ağında, bir kapsülün çıkış vektörünün UZUNLUĞU neyi temsil eder?
Vektörün uzunluğu (büyüklüğü), varlığın var olma olasılığını kodlarken, yönelimi, konum ve dönüş gibi poz parametrelerini kodlar.
Kapsül ağlar standart CNN'lerle ilgili hangi sorunu çözmek için özel olarak tasarlandı?
Maksimum havuzlama özelliğine sahip CNN'ler hassas mekansal ilişkileri göz ardı eder, böylece özellikleri yanlış yerleştirilmiş bir yüz yine de yüksek puan alabilir. Kapsüllerin çözmeye çalıştığı 'Picasso sorunu' budur.
Hangi alt seviye kapsüllerin hangi üst seviye kapsüllere bağlanacağına karar veren algoritmanın adı nedir?
Dinamik anlaşmaya göre yönlendirme, tahminleri daha yüksek bir kapsülün çıktısıyla uyumlu olan kapsüller arasındaki bağlantıları yinelemeli olarak güçlendirir.
2017'de dinamik yönlendirmeli kapsül ağını kim tanıttı?
2017 tarihli 'Kapsüller Arasında Dinamik Yönlendirme' makalesi Sara Sabour, Nicholas Frosst ve Geoffrey Hinton tarafından yazılmıştır.
Kapsül ağındaki 'squash' fonksiyonunun amacı nedir?
Kabak doğrusal olmama durumu, kısa vektörleri sıfıra doğru daraltır ve uzun vektörleri bir uzunluğa yakın olarak kapatır, böylece yönelim (poz) korunurken büyüklük bir olasılık olarak okunabilir.