本研究提出了一种名为CapsFake的多模态胶囊网络，用于检测指令驱动的深伪造图像。该技术通过结合视觉、文本和频谱信息，显著提高了检测准确率，比现有方法提升了20%。

本研究提出了一种名为CAD-Unet的深度网络架构，结合胶囊网络，以提高COVID-19肺部感染在CT图像中的分割精度。实验结果表明，该模型在公共数据集上的表现优于现有方法，具有良好的临床应用前景。

该研究提出了多种改进的胶囊网络架构，如Dense Capsule Networks和Diverse Capsule Networks，以提升性能并减少训练参数。同时，研究探讨了胶囊网络在图像识别及其他领域的应用，分析了其效率和可扩展性，并提出了OrthCaps以优化路由性能和降低冗余。

本文探讨了胶囊网络的改进和应用，包括基于群等变胶囊网络的框架、超网络预测器和Siamese胶囊网络模型，旨在提升无监督学习的效果和表示能力。研究表明，胶囊网络在图像识别等领域表现出更好的鲁棒性和性能。

本文介绍了一种新型非迭代路由机制，旨在降低计算复杂性并提高性能。通过在Imagewoof数据集上的测试，结果表明该方法优于现有的非迭代胶囊网络，能够有效处理复杂计算场景。此外，研究提出了Attention Routing CapsuleNet和快捷路由机制，显著提升了胶囊网络的计算效率和准确性，为未来应用奠定基础。

本文介绍了一种改进的胶囊网络架构，提出了新的路由权重初始化技术和基于条件随机场的设计，以提升多标签分类任务的可扩展性。同时，研究探讨了胶囊网络在图像识别和医学成像等领域的应用及其面临的挑战。

本文评估了胶囊网络（CapsNet）在图像分类中的性能，发现其准确性低于传统分类器，但具有潜力。研究提出了改进的胶囊网络架构和新算法，显示出在多个数据集上优越的表现和更好的鲁棒性，尤其在医学影像分析中表现突出。

本文研究了卷积神经网络、二值神经网络和胶囊网络等在交通标志识别中的应用，提出了新方法并取得了高准确率。重点分析了自动驾驶中的交通标志检测，探讨了不同模型的优缺点及实际应用表现。

本文探讨了胶囊网络在单张图像超分辨率处理中的应用，发现其层数较少但效果优于传统卷积方法。同时，提出了轻量级多尺度特征交互网络（MSFIN）和基于注意力机制的深度卷积神经网络，均能有效提升超分辨率性能。此外，研究介绍了混合专家隐式超分辨率（MoEISR）框架，显著提高计算效率并支持任意比例重建。