CapsNet

CapsNet (Rangkaian Kapsul) ialah rangkaian saraf tiruan yang dicadangkan pada tahun 2017 sebagai alternatif kepada Rangkaian Neural Konvolusi (CNN). Ciri utama CapsNets ialah mereka menggunakan rangkaian lapisan "kapsul" yang serupa dengan neuron dalam rangkaian saraf. Kapsul ini terdiri daripada gabungan linear neuron, atau "vektor", yang mengekodkan atribut objek dalam imej. Dengan memerlukan bilangan parameter yang lebih rendah daripada CNN tradisional, CapsNets lebih cekap dan boleh mencapai hasil yang kompetitif dengan parameter yang lebih sedikit.

Struktur asas CapsNet terdiri daripada dua bahagian yang berbeza, lapisan pengekodan dan lapisan penyahkodan. Yang pertama mengekodkan atribut objek dalam imej (orientasi, warna, dan sebagainya) ke dalam vektor. Vektor ini kemudiannya dihantar ke lapisan penyahkodan, di mana maklumat digunakan untuk membina semula imej daripada komponennya. Proses ini meniru cara otak manusia memproses data visual dan boleh digunakan untuk pelbagai tugas seperti pembahagian imej, pengesanan objek dan klasifikasi imej.

Selain lebih cekap, CapsNets juga lebih dipercayai dalam mengenal pasti dan mengecam objek dalam imej. Memandangkan vektor tidak bergantung pada kedudukan dalam imej, ia boleh digunakan untuk mengecam objek dalam berbilang kedudukan, orientasi atau skala. Ini menjadikan CapsNets lebih teguh daripada CNN apabila berhadapan dengan pelbagai keadaan persekitaran.

Walaupun kelebihan ini, CapsNets masih jauh daripada digunakan dalam industri kerana kerumitannya dan keperluan untuk penyelidikan dan pembangunan lanjut. Namun begitu, CapsNets dilihat sebagai alternatif yang menjanjikan kepada CNN dan dijangka memainkan peranan yang lebih besar dalam bidang kecerdasan buatan dalam beberapa tahun akan datang.