[논문 리뷰] CapsNet comparative performance evaluation for image classification

Rinat Mukhometzianov, Juan Antonio Cabrera Carrillo|arXiv (Cornell University)|2018. 05. 28.

Advanced Neural Network Applications참고 문헌 22인용 수 79

한 줄 요약

본 논문은 CapsNet을 Fisherfaces, LeNet, ResNet과 네 가지 데이터셋에서 비교 평가하였으며, CapsNet이 상당한 계산 자원을 필요로 하고 평균적으로 성능이 낮은 것으로 나타났으나 더 강력한 자원과 정교한 아키텍처가 갖춰지면 가능성이 있을 수 있다.

ABSTRACT

Image classification has become one of the main tasks in the field of computer vision technologies. In this context, a recent algorithm called CapsNet that implements an approach based on activity vectors and dynamic routing between capsules may overcome some of the limitations of the current state of the art artificial neural networks (ANN) classifiers, such as convolutional neural networks (CNN). In this paper, we evaluated the performance of the CapsNet algorithm in comparison with three well-known classifiers (Fisher-faces, LeNet, and ResNet). We tested the classification accuracy on four datasets with a different number of instances and classes, including images of faces, traffic signs, and everyday objects. The evaluation results show that even for simple architectures, training the CapsNet algorithm requires significant computational resources and its classification performance falls below the average accuracy values of the other three classifiers. However, we argue that CapsNet seems to be a promising new technique for image classification, and further experiments using more robust computation resources and re-fined CapsNet architectures may produce better outcomes.

연구 동기 및 목표

• 다양한 이미지 데이터셋에서 기존 분류기와 비교해 CapsNet의 성능을 평가한다.
• 전통적 CNN 기반 모델과 비교하여 CapsNet 학습의 계산 자원 요구사항을 조사한다.
• CapsNet의 잠재적 이점과 향후 연구 방향에 대한 통찰을 제공한다.

제안 방법

• CapsNet을 Fisherfaces, LeNet, ResNet과 네 가지 이미지 데이터셋(얼굴, 도로 표지판, 객체)에서 비교한다.
• 분류 정확도와 학습 자원 요구사항을 측정한다.
• 간단한 아키텍처와 자원 제약에서 CapsNet의 확장성을 분석한다.

실험 결과

연구 질문

• RQ1 다수의 데이터셋에서 CapsNet의 분류 정확도가 Fisherfaces, LeNet, ResNet에 비해 어떠한가?
• RQ2 다른 분류기와 비교할 때 CapsNet 학습의 계산 자원 요구사항은 무엇인가?
• RQ3 단순한 설계의 CapsNet 아키텍처가 경쟁력 있는 성능을 보이는가, 그리고 더 나은 결과를 위해 필요한 개선은 무엇인가?

주요 결과

• CapsNet 학습은 상당한 계산 자원이 필요하다.
• 테스트된 데이터셋에서 CapsNet의 평균 분류 정확도는 나머지 세 분류기보다 낮다.
• CapsNet은 이미지 분류에 가능성이 있어 보이며, 더 강력한 자원과 정교한 아키텍처를 통해 개선될 수 있다.