CapsNet (Capsule Network) es una red neuronal artificial que se propuso en 2017 como alternativa a las redes neuronales convolucionales (CNN). La principal característica de las CapsNets es que emplean una red de capas de "cápsulas" que son análogas a las neuronas de una red neuronal. Estas cápsulas están compuestas por una combinación lineal de neuronas, o un "vector", que codifica los atributos de un objeto dentro de una imagen. Al requerir un menor número de parámetros que las CNN tradicionales, las CapsNets son más eficientes y pueden lograr resultados competitivos con menos parámetros.
La estructura básica de una CapsNet se compone de dos partes distintas, la capa de codificación y la capa de descodificación. La primera codifica los atributos de un objeto en una imagen (su orientación, color, etc.) en un vector. Este vector pasa a la capa de descodificación, donde la información se utiliza para reconstruir la imagen a partir de sus componentes. Este proceso imita la forma en que el cerebro humano procesa los datos visuales y puede utilizarse para diversas tareas, como la segmentación de imágenes, la detección de objetos y la clasificación de imágenes.
Además de ser más eficaces, las CapsNets también son más fiables a la hora de identificar y reconocer objetos en una imagen. Como los vectores son independientes de la posición en la imagen, pueden utilizarse para reconocer un objeto en múltiples posiciones, orientaciones o escalas. Esto hace que las CapsNets sean más robustas que las CNN cuando se enfrentan a diversas condiciones ambientales.
A pesar de estas ventajas, las CapsNets están aún lejos de ser utilizadas en la industria debido a su complejidad y a la necesidad de más investigación y desarrollo. No obstante, las CapsNets se consideran una alternativa prometedora a las CNN y se espera que desempeñen un papel más importante en el campo de la inteligencia artificial en los próximos años.