Réseau de capsules efficace amélioré pour la classification du jeu de données de référence Kuzushiji-MNIST

Dans cet article, nous présentons un modèle amélioré de réseau de capsules (CN) efficace pour la classification des jeux de données de référence Kuzushiji-MNIST et Kuzushiji-49. Les réseaux de capsules constituent une approche prometteuse dans le domaine du deep learning, offrant des avantages tels qu’une meilleure robustesse, une généralisation améliorée et une structure de réseau plus simple par rapport aux réseaux de neurones convolutifs traditionnels (CNN). Le modèle proposé, basé sur l’architecture Efficient CapsNet, intègre un mécanisme de routage à attention auto-supervisée, ce qui permet d’améliorer l’efficacité tout en réduisant le nombre de paramètres. Les expériences menées sur les jeux de données Kuzushiji-MNIST et Kuzushiji-49 démontrent que le modèle atteint des performances compétitives, se classant parmi les dix meilleures solutions pour les deux benchmarks. Malgré un nombre de paramètres significativement plus faible que celui des modèles mieux notés, le modèle présenté atteint une précision comparable, avec des écarts globaux respectifs de seulement 0,91 % et 1,97 % pour les jeux de données Kuzushiji-MNIST et Kuzushiji-49. En outre, le temps d’entraînement nécessaire pour obtenir ces résultats est considérablement réduit, permettant ainsi l’entraînement sur des stations de travail non spécialisées. Les innovations proposées dans l’architecture de capsules, notamment l’intégration du mécanisme d’attention auto-supervisée et la structure réseau efficace, contribuent à l’amélioration de l’efficacité et des performances du modèle. Ces résultats mettent en évidence le potentiel des réseaux de capsules comme approche plus efficace et plus performante pour les tâches de classification de caractères, avec des applications élargies dans divers domaines.