低解像度画像の高解像度画像を用いて認識性能を向上させます。
論文住所：https://arxiv.org/pdf/1908.10027v1.pdf
現在のところ、オープンソースません
イノベーション：
図1に示すように、モデル層の上にネットワーク上のカプセルの畳み込みに基づいて追加され、画像の非常に低い解像度を認識することができます。
2、プレゼント2案内損失関数VLR（非常に低い解像度）画像認識モデル。
図3に示すように、モデルの実験的検証の利点。
イノベーションの分析：
図1
1、第イノベーション解析
1、カプセル網の前部は、後に3つの完全接続層を追加して、ネットワークで、入力を説明することができる完全にも再構成モジュールと呼ばれる接続された3つの層、パラメータインスタンス・パラメータをネットワーク符号化におけるその役割、画像、すなわち再入力。
図2に示すように、第二イノベーション解析
式であるHR-アンカー損失は
、RXCは、入力画像が速度が低いときに、入力サンプルは、0の値は、高解像度画像、値1である場合、2進変数です。AC 2個の発現のクラスC HRアンカー最初のブランクAcは一定の状態（高解像度のサンプルであると、カテゴリは、高解像度HR-アンカーサンプルを平均特徴ベクトルのクラスに属しています）計算され、畳み込みFXC機能は、二つの部分が活性化された低解像度を示し、図2に示すように、第1近似では、AC FXCよりなり減算今回。AC入力、高解像度画像、第二の部分が起動されると、第二のパラメータであり、FXC高解像度の特徴が、図のアンカーに更新されます。したがって、さらに図高解像度機能の低分子近似は、解像度の複数の特性を学ぶことを特徴とします。
式でtarged再損失
、関数g（）は、ネットワーク、すなわち、イノベーションの再構成を表す高解像度画像と対応する低解像度画像は、損失関数が提示ように、XC類似しているべきであることパラメータの例としてCは、入力画像X、入力XCを分類vcxc第一出力カプセルCクラスのカテゴリです。場合入力高解像度画像、XCは、入力画像に対応する高解像度を示し、hrxcで置換されています。
サプリメント
ネットワーク全体の損失関数
マージン損失である第一そのうちはなく、説明し、同様の紙の使用量があり、その目的は、クラス間の類似度を減少させる、クラスの類似度を増加させることです。Kは、カテゴリの総数です。