一种基于新型卷积胶囊网络的交通标志识别方法，张玉鑫，刘畅，交通标志识别是自动驾驶技术中的一个研究热点，也是保证自动驾驶安全的重要保障。由于道路交通标志的背景复杂，颜色失真严重并存

自然语言处理，对文本进行分类，也适用于恶意代码API函数序列分类

胶囊网络概述(md原文件)，包含代码（python-pytorch)，参考博客：https://blog.csdn.net/m0_46384757/article/details/121559514

胶囊网络python-pytorch版本，参考博客：https://blog.csdn.net/m0_46384757/article/details/121559514

用于故障诊断的胶囊网络 最大训练>99% 最大测试>98% 原始振动信号经过滑动窗口采样归一化后成为32x32的图像，再经过数据增强后输入到胶囊网络中。这是纯破胶囊网络的代码实现。由于胶囊网络的参数约为8558848，所以在我的970m GPU上训练需要很长时间。但是准确率还是很高的。 一般的组合模型可以达到很高的准确率，但需要重新设计卷积核的大小，使用一维卷积。所有这些都需要通过debug来实现，目前还没有实现。现在胶囊网络故障诊断一般结合inception或者bilstm。

胶囊网络的Tensorflow实现 要求 tensorflow> = 1.4（也许1.3也应该工作，尽管我没有测试它） 麻木 枕头 科学的 胶囊网络 我试图实现这个想法 文件描述 config.py包含所有需要的超级参数。 utils.py包含有关加载和保存的功能。 model.py具有capsNet和整个模型实现的所有构建块。 train.py用于培训。 eval.py用于评估。 用法 训练 $ python train.py 评估 $ python eval.py 训练 结果 分类 时代 10 测试权限 99.278 重建

hsi matlab代码SAR_CD_MS_CapsNet 论文“”的代码，IEEE地质科学与遥感通讯，第1卷。 18号3，第484-488页，2021年3月。 如有任何疑问，请随时与我联系（）。可以从以下网址获取更多代码 通过以下过程运行此代码： 差异图像可以通过邻域比率“ DI_generation.m”来获得。 （Matlab 2012a） 打开终端并运行以下脚本：“ python Ms_CapsNet.py”。 （Ubuntu-16.04.1 Keras-2.1.6） 在我们的实现中，我们引用郭锡峰和陈玉诗的代码：

与经典的卷积神经网络（CNN）相比，提出的胶囊网络欣顿可以使用更少的网络层来很好地完成分类任务，并以更快的速度达到收敛。 胶囊网络的原理是基于CNN，只是将神经元形式从标量转换为向量，即一个胶囊，然后通过动态路由方法选择适合最终输出的胶囊1 。在胶囊网络的基础上，使用反卷积来还原图像并优化原始图像和还原图像之间的误差。 通过数据增强处理的名为Cohn- Kanade Database Plus（CK +）的经典面部情绪数据库用于进行实验。 最近，分类结果与NAO机器人结合在一起。 NAO机器人可以通过改变眼睛的颜色并说出结果来形象化情感，从而达到将理论与实践相结合的目的。

机器学习，胶囊网络代码。 适合于研究深度学习的适合于研究深度学习的

胶囊网络 PyTorch实现以下文件： Sara Sabour，Nicholas Frosst和Geoffrey Hinton的 正式执行 Sara Sabour的（TensorFlow） 视觉表现 图片来源： Mike Ross ， 运行实验 有关详细信息，请运行python main.py --help 重构图像与原始图像的示例 要求： PyTorch（ ） NumPy（ ） 显卡 默认的超参数（类似于纸张）： 每个GPU batch_size = 128 初始learning_rate = 0.001 指数lr_decay = 0.96 路由迭代次数（ num_routing ）= 3 损失函数超参数（请参阅 ）： 保证金亏损的Lambda = 0.5 重建损失的比例因子= 0.0005 GPU Speed基准： （具有上述超参数） 单个GeForce