Advanced

Exploring capsule network

Kring, Emmanuel LU (2018) FYTK02 20181
Computational Biology and Biological Physics
Department of Astronomy and Theoretical Physics
Abstract
The recently introduced capsule networks have already shown much success on image classification tasks. In this thesis, capsule networks are described and applied to a binary classification task, namely that of classifying hotspots from bone scintigraphy scans. The performance of capsule networks on this task is compared to that of convolutional neural networks. The results indicate that there is not much difference in performance between the two on this task. The convolutional networks are, however, faster to train and require fewer parameters in order to achieve good classification performance on this task. We also outline an idea for a method to possibly improve capsule networks for binary classification. This method, if it can be... (More)
The recently introduced capsule networks have already shown much success on image classification tasks. In this thesis, capsule networks are described and applied to a binary classification task, namely that of classifying hotspots from bone scintigraphy scans. The performance of capsule networks on this task is compared to that of convolutional neural networks. The results indicate that there is not much difference in performance between the two on this task. The convolutional networks are, however, faster to train and require fewer parameters in order to achieve good classification performance on this task. We also outline an idea for a method to possibly improve capsule networks for binary classification. This method, if it can be implemented, could allow for a single scalar output of the network while still conserving as much of the original properties of capsule networks as possible. (Less)
Popular Abstract (Swedish)
Artificiella neuronnät är en enkel matematisk maskininlärningsmodell som på vissa sätt påminner om de neuronnät som återfinns hos djur. Syftet med maskininlärning är att inte behöva programmera exakt hur en maskin ska lösa en uppgift eftersom detta i vissa fall kan vara väldigt svårt eller näst intill omöjligt. Istället låter man maskinen lära sig utifrån erfarenhet av att utföra en uppgift. Denna metod har visat på stor framgång när det kommer till att lösa problem som anses kräva artificiell intelligens, som till exempel att besegra den mänskliga världsmästaren i det kinesiska brädspelet Go. En viktig inriktning inom maskininlärning kallas datorseende. Här går uppgiften ut på att en dator ska förstå och kunna klassificera bilder. I detta... (More)
Artificiella neuronnät är en enkel matematisk maskininlärningsmodell som på vissa sätt påminner om de neuronnät som återfinns hos djur. Syftet med maskininlärning är att inte behöva programmera exakt hur en maskin ska lösa en uppgift eftersom detta i vissa fall kan vara väldigt svårt eller näst intill omöjligt. Istället låter man maskinen lära sig utifrån erfarenhet av att utföra en uppgift. Denna metod har visat på stor framgång när det kommer till att lösa problem som anses kräva artificiell intelligens, som till exempel att besegra den mänskliga världsmästaren i det kinesiska brädspelet Go. En viktig inriktning inom maskininlärning kallas datorseende. Här går uppgiften ut på att en dator ska förstå och kunna klassificera bilder. I detta kandidatarbete kommer artificiella neuronnät användas för att klassificera medicinska bilder från scintigrafiundersökningar. Dessa bilder kan antingen ha en hög eller låg risk för att innehålla metastaser. Tidigare har de så kallade konvolutionsnätverken visat sig mycket användbara på detta område. Nu har en ny typ av nätverk, som kallas kapselnätverk, utkommit och i vissa fall har de visat sig mer användbara än konvolutionsnätverken. I denna uppsats kommer jag därför applicera de nya kapselnätverken på uppgiften att klassificera bilder från scintigrafiundersökningar och deras klassificeringsförmåga kommer jämföras med konvolutionsnätvekens. (Less)
Please use this url to cite or link to this publication:
author
Kring, Emmanuel LU
supervisor
organization
alternative title
Comparison of capsule and convolutional neural networks on the task of classifying scintigraphy images
course
FYTK02 20181
year
type
M2 - Bachelor Degree
subject
keywords
Artificial neural networks, ANN, Convolutional neural networks, CNN, Capsule networks, Scintigraphy images, image analysis
language
English
id
8954756
date added to LUP
2018-07-13 09:17:37
date last changed
2018-07-13 09:17:37
@misc{8954756,
  abstract     = {The recently introduced capsule networks have already shown much success on image classification tasks. In this thesis, capsule networks are described and applied to a binary classification task, namely that of classifying hotspots from bone scintigraphy scans. The performance of capsule networks on this task is compared to that of convolutional neural networks. The results indicate that there is not much difference in performance between the two on this task. The convolutional networks are, however, faster to train and require fewer parameters in order to achieve good classification performance on this task. We also outline an idea for a method to possibly improve capsule networks for binary classification. This method, if it can be implemented, could allow for a single scalar output of the network while still conserving as much of the original properties of capsule networks as possible.},
  author       = {Kring, Emmanuel},
  keyword      = {Artificial neural networks,ANN,Convolutional neural networks,CNN,Capsule networks,Scintigraphy images,image analysis},
  language     = {eng},
  note         = {Student Paper},
  title        = {Exploring capsule network},
  year         = {2018},
}