캡슐 네트워크 프로젝터는 동등 변환 불변 학습자입니다.

불변 표현 학습은 자가 감독 학습에 대한 오랜 접근 방식이었습니다. 그러나 최근에는 고도로 규정된 아키텍처를 사용하여 표현에서 동등 변환 속성을 유지하는 데 발전이 이루어졌습니다. 본 연구에서는 캡슐 네트워크(CapsNets)를 활용하여 동등 변환 불변 자가 감독 아키텍처를 제안합니다. CapsNets는 새로운 시점에 대해 동등 변환을 포착하는 것으로 나타났습니다. 우리는 동등 변환 자가 감독 아키텍처에서 CapsNets 사용이 동등 변환 작업에서 더 높은 효율성과 적은 네트워크 매개변수로 향상된 하류 성능을 달성한다는 것을 입증합니다. CapsNets의 아키텍처 변경을 수용하기 위해 엔트로피 최소화를 기반으로 하는 새로운 목표 함수를 도입합니다. 이 접근법을 CapsIE(캡슐 불변 동등 변환 네트워크)라고 명명하며, 3DIEBench 데이터셋에서 모든 불변 및 동등 변환 하류 작업에서 최첨단 성능을 달성하며, 감독 기반선보다 우수한 성능을 보입니다. 우리의 결과는 CapsNets가 이전 CapsNet 벤치마크에 비해 대규모 다중 작업 데이터셋에 대해 복잡하고 일반화된 표현을 학습하는 능력을 입증합니다. 코드는 https://github.com/AberdeenML/CapsIE에서 확인할 수 있습니다.