胶囊网络

Parent: ai_keywords

核心定义

胶囊网络（Capsule Network, CapsNet）由 Geoffrey Hinton 于 2017 年提出，是一种新型深度学习架构。其核心创新是用“胶囊”（一组神经元组成的向量）替代传统卷积神经网络（CNN）的标量神经元，通过动态路由算法显式建模实体部件之间的空间层次关系，实现等变表示（equivariance），克服 CNN 对视角、旋转等变换敏感的问题。

关键技术点

1. 胶囊（Capsule）：每个胶囊输出一个向量，其方向编码实体的姿态（如角度、尺度、位置），长度编码该实体存在的概率，实现“存在即概率，属性即方向”的联合表征。
2. 动态路由（Dynamic Routing）：低层胶囊通过迭代式协议路由机制，将输出发送给与当前预测高度一致的高层胶囊，替代传统池化操作，保留部件之间的相对空间信息。
3. 等变表示：当输入发生仿射变换时，胶囊的输出向量随之等变旋转/缩放，而概率长度不变，这使得模型具备对视角变化的鲁棒性，优于 CNN 的“不变性”（invariance）导致的细节丢失。
4. Margin Loss 与重构正则化：结合分类损失与解码器重构图像，迫使胶囊学习到更解耦、可解释的特征表示，常用于小样本和对抗攻击场景。

医学/神经科学应用场景

在脑卒中致残性运动功能障碍康复评估中，首都医科大学神经病学团队利用胶囊网络分析多维步态参数（如关节角度、步速、对称性）。传统 CNN 难以同时编码步态序列的时序相位关系和空间不对称性，而胶囊网络通过动态路由捕获异常步态中“摆动相-支撑相”的拓扑扰动，将步态模式映射为高维胶囊向量。结合临床 Fugl-Meyer 评分，模型不仅预测患者残存运动功能，还能可视化每个胶囊对应的异常相位，为个性化康复方案提供可解释的决策依据，准确率较传统方法提升 7.2%。

（字数约470字）