第二个刚有论文，第一个是书还是论文？

这些作者真的没有暗中观察我吗

https://openreview.net/pdf?id=HJWLfGWRb

RCN厉害了，从生成模型，推出和人脑工作方式（学习过程除外）非常像的消息传递和动态规划求解过程。除了硬性设计池化规则外，人脑是通过时序信息学会这种不变性的，当然这应该是很久以后的工作了。

Capsule:
传统CNN的通道用单一实数即特征神经元的激活强度，表示某个特征出现的概率/可能性，其丢失了特征的细节描述。虽然在分类任务中，特征通过忽视细节，承担某种类别不变性，可以很好的完成任务，但是Hinton认为不应该为了分类任务而只提取特征的类别信息，不变性不应该通过这种舍去其它信息的方式实现，而应该通过分离各描述因子来实现，将各种不变性因子分离并全盘保留。
为此Hinton把每个通道用一个向量来表示，每个格点都附着多个这样的向量（即Capsule，一个同道一个），每个向量是该处实体的描述，同样不同通道表示的是不同特征/实体类别，但是特征/实体的信息不再仅仅是一个表示概率的实数，而是包含实体所有信息的向量，而概率被编码在向量的长度上。在靠近底层的层里，位置信息直接反映在Capsule所处的空间位置，越往高层，位置信息会逐渐被编码到描述向量里。
同样通过卷积完成抽象。在传统CNN中，高层特征的激活是通过观察低层特征激活的空间几何分布，而CapNet则不仅要知道特征的空间几何关系，还要对局部实体的细节信息进行总结，生成高层实体的细节描述向量。
如果仅仅是这样，则CapNet和CNN本质上还是等价的，因为可以认为其就是通道数更多并且对同道分组了的CNN。
Routing:
考虑到池化会丢失空间信息，并且传统CNN没法解决binding问题，无法分割物体，因此CapNet设计了Routing层来替代池化层，通过Routing来决定哪些低层实体应该与哪个高层实体进行耦合，这种耦合将这些低层实体绑定成一个物体，此为分布式特征按客体表面绑定，因而实现分割，而对应的高层实体就是这个物体的认知信息，此为分布式特征-认知类别的绑定，因而实现定位识别。
下文将介绍Dynamic Routing Between Capsules一文中的Routing算法

一直没看明白，那个RCN模型，它到底是怎么识别的？建立起那个框架之后，把轮廓和表面分开表示，然后提取出轮廓，在把轮廓内部用随机场填充，然后呢？怎么识别的啊，一直没搞懂？用每一层的轮廓信息？还是啥？还是对填充后的字母进行识别？感觉这些都没说清楚。看了半天还是一头雾水