林凯迪，杜洪波，朱立军

（1.沈阳工业大学 理学院，辽宁 沈阳 110870；2.北方民族大学 信息与计算科学学院，宁夏 银川 214215）

随着深度学习的不断发展，卷积神经网络得到深入研究，在实时应用、人脸识别、复杂网络、迁移学习及图像分割等领域都有着不凡的表现［1-5］。但是卷积神经网络存在两个重要缺陷，一是无法考虑部分与整体之间的空间关系，二是池化过程中丢失了大量有价值的信息。SABOUR S 等人［6］于2017年提出了胶囊网络及胶囊层间的动态路由算法。胶囊由一组神经元组成，将标量提升为向量，不仅可以表示特征（或实体）间的空间关系，还可以表示特征（或实体）存在的概率。动态路由算法中的不同胶囊层通过路由迭代的方式进行连接，使胶囊以更少的模型参数获得更大的泛化能力。随后，HIN‐TON G E等人［7］于2018年提出了使用EM算法的矩阵胶囊网络，其胶囊包括姿态矩阵和激活概率,感受野的增加使得该网络可以拟合复杂图像。

胶囊网络具备更好地拟合特征的能力，但是计算开销过大成为该网络模型无法广泛应用的阻碍，因此减少计算开销是胶囊网络的一个重要研究方向。文献［8］提出了一种孪生胶囊网络（SCNet），并通过引入丢弃（dropout）操作来减少胶囊的数量。文献［9］提出了SPARSECAPS 网络，建立了一种完全无监督的胶囊网络，并且去掉网络的全连接层。文献［10］则是提出了运用胶囊池化（capsule-pool‐ing）的方法来降低胶囊的数量。

提升胶囊网络的性能主要从两方面进行，即优化胶囊和优化路由［11］。上述胶囊网络的研究均通过优化胶囊来提升网络的性能，而优化路由的方法较少。……