CapsNet

CapsNet (Capsule Network) è una rete neurale artificiale proposta nel 2017 come alternativa alle reti neurali convoluzionali (CNN). La caratteristica principale delle CapsNet è che impiegano una rete di strati di "capsule", analoghi ai neuroni di una rete neurale. Queste capsule sono composte da una combinazione lineare di neuroni, o da un "vettore", che codifica gli attributi di un oggetto all'interno di un'immagine. Richiedendo un numero inferiore di parametri rispetto alle CNN tradizionali, le CapsNet sono più efficienti e possono ottenere risultati competitivi con un minor numero di parametri.

La struttura di base di una CapsNet è composta da due parti distinte, il livello di codifica e il livello di decodifica. Il primo codifica gli attributi di un oggetto in un'immagine (orientamento, colore e così via) in un vettore. Questo vettore viene poi passato al livello di decodifica, dove le informazioni vengono utilizzate per ricostruire l'immagine dai suoi componenti. Questo processo imita il modo in cui il cervello umano elabora i dati visivi e può essere utilizzato per vari compiti, come la segmentazione delle immagini, il rilevamento degli oggetti e la classificazione delle immagini.

Oltre a essere più efficienti, le reti CapsNet sono anche più affidabili nell'identificare e riconoscere gli oggetti in un'immagine. Poiché i vettori sono indipendenti dalla posizione nell'immagine, possono essere utilizzati per riconoscere un oggetto in più posizioni, orientamenti o scale. Ciò rende le reti CapsNet più robuste delle CNN di fronte a diverse condizioni ambientali.

Nonostante questi vantaggi, le reti CapsNet sono ancora lontane dall'essere utilizzate nell'industria a causa della loro complessità e della necessità di ulteriori ricerche e sviluppi. Tuttavia, le reti CapsNet sono considerate un'alternativa promettente alle CNN e si prevede che nei prossimi anni svolgeranno un ruolo più importante nel campo dell'intelligenza artificiale.