CapsNet

CapsNet (Capsule Network) adalah jaringan saraf tiruan yang diusulkan pada tahun 2017 sebagai alternatif dari Convolutional Neural Networks (CNNs). Karakteristik utama CapsNets adalah mereka menggunakan jaringan lapisan “kapsul” yang dianalogikan dengan neuron dalam jaringan saraf. Kapsul ini terdiri dari kombinasi linear neuron, atau “vektor”, yang mengkodekan atribut suatu objek dalam gambar. Dengan memerlukan jumlah parameter yang lebih sedikit dibandingkan CNN tradisional, CapsNets lebih efisien dan dapat mencapai hasil yang kompetitif dengan parameter yang lebih sedikit.

Struktur dasar CapsNet terdiri dari dua bagian berbeda, lapisan pengkodean dan lapisan decoding. Yang pertama mengkodekan atribut suatu objek dalam gambar (orientasinya, warna, dan sebagainya) ke dalam vektor. Vektor ini kemudian diteruskan ke lapisan decoding, di mana informasi tersebut digunakan untuk merekonstruksi gambar dari komponen-komponennya. Proses ini meniru cara otak manusia memproses data visual dan dapat digunakan untuk berbagai tugas seperti segmentasi gambar, deteksi objek, dan klasifikasi gambar.

Selain lebih efisien, CapsNets juga lebih andal dalam mengidentifikasi dan mengenali objek dalam suatu gambar. Karena vektor tidak bergantung pada posisi dalam gambar, vektor dapat digunakan untuk mengenali suatu objek dalam berbagai posisi, orientasi, atau skala. Hal ini membuat CapsNets lebih tangguh dibandingkan CNN ketika dihadapkan pada berbagai kondisi lingkungan.

Terlepas dari kelebihannya, CapsNets masih jauh dari penggunaan di industri karena kompleksitasnya dan perlunya penelitian dan pengembangan lebih lanjut. Namun demikian, CapsNets dipandang sebagai alternatif yang menjanjikan dibandingkan CNN dan diharapkan memainkan peran yang lebih besar di bidang kecerdasan buatan selama beberapa tahun ke depan.