摘要: 摘 要: 针对胶囊网络(CapsNet)在复杂数据集的分类任务上表现不佳,以及其在路由过程中存在巨大的计算开销等问题,提出了一种基于多路径特征的胶囊网络(MCNet)。MCNet包含新的胶囊特征提取器和新的胶囊池化方法。胶囊特征提取器从多个不同路径中并行地提取不同层次、不同位置的特征,然后将特征编码为包含更多语义信息的胶囊特征。胶囊池化方法在胶囊特征图的每个位置选取最活跃的胶囊,用少量的胶囊表示了有效的胶囊特征。本研究在4个数据集上(CIFAR10、SVHN、Fashion-MNIST、MNIST)进行了实验。其中在CIFAR10数据集上,MCNet的分类准确率为79.27%,可训练的参数数量为5.88M。与CapsNet相比,MCNet的分类准确率提升了8.7%,参数数量减少了39.8%。实验结果表明,MCNet能够有效提升分类准确率,同时减少可训练的参数数量。