“胶囊网络（Capsule Network，简称CapsNet）是一种深度学习架构，旨在解决传统卷积神经网络（CNN）的一些局限性。与CNN使用一系列滤波器来检测图像特征不同，胶囊网络使用称为胶囊的神经元组，这些胶囊协同工作以识别视觉模式。每个胶囊封装了关于对象属性的信息，如姿态、变形和纹理，这使得网络能够理解数据中的空间关系。这种结构对于识别不同方向或配置的对象特别有利。
胶囊网络的一大关键优势是它们处理视角变化和遮挡的能力比传统的CNN更为有效。例如，如果你训练一个CNN来识别猫，当从不寻常的角度或部分被物体遮挡时，它可能会难以识别。然而，胶囊网络能够保持猫的基本特征和各部分之间的关系，使其在视角变化或部分可见性方面更具鲁棒性。这一特性有助于提高模型在图像分类和对象识别相关任务中的整体性能。
胶囊网络还利用了一种独特的路由机制，称为“动态路由”，来确定信息在胶囊之间的流动。在这个过程中，低层胶囊根据对属于同一实体的特征的共识，将其输出传递给高层胶囊。这导致了对输入数据的更精确和上下文感知的表示。尽管胶囊网络仍然是一个新兴研究领域，但它们的创新方法为传统神经网络架构提供了一个有希望的替代方案，尤其是在对空间层次的精确理解至关重要的应用中。”