CapsNet

CapsNet (Capsule Network) é uma rede neural artificial proposta em 2017 como alternativa às redes neurais convolucionais (CNNs). A principal característica das CapsNets é que elas empregam uma rede de camadas de "cápsulas" que são análogas aos neurônios em uma rede neural. Essas cápsulas são compostas por uma combinação linear de neurônios, ou um "vetor", que codifica os atributos de um objeto em uma imagem. Por exigir um número menor de parâmetros do que as CNNs tradicionais, as CapsNets são mais eficientes e podem obter resultados competitivos com menos parâmetros.

A estrutura básica de uma CapsNet é composta de duas partes distintas, a camada de codificação e a camada de decodificação. A primeira codifica os atributos de um objeto em uma imagem (sua orientação, cor e assim por diante) em um vetor. Esse vetor é então passado para a camada de decodificação, onde as informações são usadas para reconstruir a imagem a partir de seus componentes. Esse processo imita a maneira como o cérebro humano processa dados visuais e pode ser usado para várias tarefas, como segmentação de imagens, detecção de objetos e classificação de imagens.

Além de serem mais eficientes, as CapsNets também são mais confiáveis na identificação e no reconhecimento de objetos em uma imagem. Como os vetores são independentes da posição na imagem, eles podem ser usados para reconhecer um objeto em várias posições, orientações ou escalas. Isso torna as CapsNets mais robustas do que as CNNs quando confrontadas com várias condições ambientais.

Apesar dessas vantagens, as CapsNets ainda estão longe de serem usadas no setor devido à sua complexidade e à necessidade de mais pesquisa e desenvolvimento. No entanto, as CapsNets são vistas como uma alternativa promissora às CNNs e espera-se que desempenhem um papel mais importante no campo da inteligência artificial nos próximos anos.