كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

متوسطالمعماريات الهجينة

الشبكات الكبسولية الهجينة (CNN-CapsNet)

Hybrid Capsule Networks

تصاميم تستخدم عموداً فقرياً التفافياً قوياً (مثل ResNet) لاستخراج السمات، ثم طبقة كبسولات مع توجيه ديناميكي في الأعلى لتمثيل علاقات الجزء–الكل.

نظرة عامة

الاسمالشبكات الكبسولية الهجينة – Hybrid Capsule Networks
سنة الظهور2017
الباحثونتصميم هجين مبني على CapsNet (Sabour وآخرون، 2017)
الورقة الأصليةDynamic routing between capsules arXiv
نوع البياناتصور
المجالاتالرؤية الحاسوبية، تحليل الصور الطبية

المشكلة التي تحلها

CapsNet الأصلية تعتمد على التفاف واحد ضحل، فتضعف على الصور المعقدة؛ والـ CNN العميقة تفقد علاقات الوضعية عند Pooling.

الخلفية والتطور

ما قبلها: شبكات الكبسولات، الشبكة المتبقية

  1. 2017

    التوجيه الديناميكي الذي تُبنى عليه الطبقة العليا. [مرجع]

  2. 2024

    يستعرض مسح الكبسولات عدداً من التصاميم الهجينة وحدودها. [مرجع]

الفكرة الأساسية

"هجين" هنا وصف لعائلة تصاميم وليس ورقة واحدة: يُستخدم عمود CNN مدرّب مسبقاً لاستخراج خرائط سمات غنية، تُعاد صياغتها كبسولات ابتدائية، ثم تُطبق طبقة كبسولات فئات مع توجيه. الهدف الجمع بين قوة CNN في السمات المحلية وقدرة الكبسولات على تمثيل الوضعية.

مثال: في تصنيف صور هستوباثولوجيا، يستخرج ResNet أنماط الخلايا، وتجمع الكبسولات العليا هذه الأنماط مع مواضعها النسبية.

المخطط التفاعلي

مخطط توضيحي مبسّط بأبعاد مثال صغير، وليس رسماً مطابقاً لكل تفاصيل التنفيذ الأصلي. اضغط أي طبقة لترى وظيفتها وأبعادها والعملية الرياضية.

اختر طبقة من المخطط.

المكونات

المكوّنالوظيفة
CNN backboneResNet أو VGG مدرب مسبقاً
Primary capsulesإعادة تشكيل خرائط السمات
Class capsulesتوجيه ديناميكي
Margin lossكما في CapsNet

المعادلات

1. الكبسولات من خرائط السمات

$$u_i=\mathrm{squash}\!\left(\mathrm{reshape}(\mathrm{Conv}(f_{\mathrm{CNN}}(x)))_i\right)$$

الرموز
$f_{\mathrm{CNN}}$العمود الفقري
$u_i$الكبسولة الابتدائية i
الأبعاد
كل $u_i$ متجه بطول ثابت
مثال عددي
خريطة $64\times4\times4$ تُقسم إلى $8\times4\times4=128$ كبسولة بطول 8.
علاقتها بالمعمارية
نقطة الالتقاء بين الجزأين.

آلية العمل خطوة بخطوة

  1. تمر الصورة في عمود CNN.
  2. تُحول السمات إلى كبسولات ابتدائية.
  3. يُنفّذ التوجيه نحو كبسولات الفئات.
  4. تُحسب خسارة الهامش.

المزايا والقيود

المزايا

  • سمات أقوى من CapsNet الأصلية.
  • إمكانية الاستفادة من الأوزان المدربة مسبقاً.

القيود

  • كلفة التوجيه تبقى.
  • الفائدة على CNN وحدها غير مضمونة وتحتاج تجارب ضبط عادلة.

متى تُستخدم؟ ومتى لا؟

تناسب

  • تجارب بحثية على صور طبية صغيرة أو متوسطة.

لا تناسب

  • حين لا تتوفر موارد لإجراء مقارنة عادلة مع CNN القوية.

التطبيقات

المجالالاستخدام
تحليل الصور الطبيةتصنيف صور طبية بتمثيل الوضعية.
الرؤية الحاسوبيةالتعرف على أجسام بوضعيات متغيرة.

كود PyTorch

كود تعليمي مبسّط يعمل على بيانات اصطناعية صغيرة، يغطي: الاستيراد، وتعريف النموذج، والبيانات، والتمرير الأمامي، والخسارة، والمُحسِّن، وحلقة التدريب، والتقييم، والاستدلال. ليس التنفيذ الكامل للبحث الأصلي.

Python (PyTorch)
# Hybrid CNN-CapsNet: عمود ResNet مصغر + كبسولات
# مثال تعليمي مبسّط بـ PyTorch (ليس التنفيذ الأصلي الكامل للبحث): بيانات اصطناعية صغيرة،
# يعمل على المعالج المركزي (CPU) خلال ثوانٍ. الأرقام التي يطبعها تخص هذا المثال فقط.
# 1) استيراد المكتبات
import torch
import torch.nn as nn
import torch.nn.functional as F

torch.manual_seed(0)

# 2) تعريف النموذج
def squash(s, dim=-1):
    n2 = (s ** 2).sum(dim, keepdim=True)
    return n2 / (1 + n2) * s / torch.sqrt(n2 + 1e-8)

class Backbone(nn.Module):                          # عمود فقري التفافي صغير مع وصلة متبقية
    def __init__(self):
        super().__init__()
        self.c1 = nn.Sequential(nn.Conv2d(1, 32, 3, padding=1), nn.BatchNorm2d(32), nn.ReLU())
        self.c2 = nn.Sequential(nn.Conv2d(32, 32, 3, padding=1), nn.BatchNorm2d(32))
    def forward(self, x):
        h = self.c1(x)
        return F.max_pool2d(F.relu(h + self.c2(h)), 2)   # 32×8×8

class HybridCaps(nn.Module):
    def __init__(self, n_classes=2, r=3):
        super().__init__()
        self.backbone = Backbone()
        self.primary = nn.Conv2d(32, 8 * 8, 3, stride=2, padding=1)        # 8 خرائط × 8D على 4×4
        self.W = nn.Parameter(torch.randn(1, 128, n_classes, 12, 8) * 0.05)
        self.r = r
    def forward(self, x):
        u = self.primary(self.backbone(x)).view(x.shape[0], 8, 8, 16).permute(0, 1, 3, 2).reshape(x.shape[0], 128, 8)
        u_hat = (self.W @ squash(u)[:, :, None, :, None]).squeeze(-1)
        b = torch.zeros(u_hat.shape[:3])
        for it in range(self.r):
            v = squash((torch.softmax(b, 2).unsqueeze(-1) * u_hat).sum(1))
            if it < self.r - 1: b = b + (u_hat * v.unsqueeze(1)).sum(-1)
        return v.norm(dim=-1)

def margin_loss(lengths, y):
    T = F.one_hot(y, lengths.shape[1]).float()
    return (T * F.relu(0.9 - lengths) ** 2 + 0.5 * (1 - T) * F.relu(lengths - 0.1) ** 2).sum(1).mean()

# 3) إعداد البيانات
def make(n):
    X = torch.randn(n, 1, 16, 16) * 0.3
    y = torch.randint(0, 2, (n,))
    pos = torch.randint(2, 14, (n,))
    for i in range(n):
        if y[i] == 0: X[i, 0, pos[i], 2:14] += 1.5
        else:         X[i, 0, 2:14, pos[i]] += 1.5
    return X, y
X_train, y_train = make(384)
X_test, y_test = make(96)
model = HybridCaps()

# 4) المحسّن (الخسارة: margin_loss)
opt = torch.optim.Adam(model.parameters(), lr=3e-3)

# 5) حلقة التدريب
for epoch in range(5):
    model.train()
    for i in range(0, len(X_train), 32):
        loss = margin_loss(model(X_train[i:i + 32]), y_train[i:i + 32])
        opt.zero_grad(); loss.backward(); opt.step()
    print(f"epoch {epoch}  loss={loss.item():.4f}")

# 6) التقييم
model.eval()
with torch.no_grad():
    acc = (model(X_test).argmax(1) == y_test).float().mean().item()
print(f"test accuracy = {acc:.3f}")

# 7) الاستدلال
with torch.no_grad():
    print("predicted class:", model(X_test[:1]).argmax(1).item())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 3.6 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 1.000

عدد المعاملات القابلة للتدريب في المثال: model = 52٬768.

هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.

جرّب وتعمّق

معماريات مرتبطة

متوسط2017

شبكات الكبسولات

Capsule Networks (CapsNet)

شبكات تمثل الكيانات بكبسولات (متجهات) يعبّر طولها عن احتمال وجود الكيان واتجاهها عن خصائصه (الوضعية)، وتربط المستويات بخوارزمية توجيه ديناميكي بالاتفاق.

المعماريات العصبية المتقدمة

أساسي2016

الشبكة المتبقية

Residual Network (ResNet)

تضيف وصلات تخطٍّ (skip connections) تجعل كل كتلة تتعلم الفرق المتبقي F(x) بدلاً من التحويل الكامل، فيصبح تدريب شبكات بمئات الطبقات ممكناً.

الأساسيات

مبتدئ1998

الشبكة العصبية الالتفافية

Convolutional Neural Network (CNN)

شبكة تستخدم مرشّحات التفاف صغيرة مشتركة الأوزان تنزلق على الصورة، فتلتقط الأنماط المحلية مع عدد معاملات أقل بكثير من MLP.

الأساسيات

أفكار بحثية

  • مقارنة عادلة بين ResNet وResNet+Capsules على بيانات هستوباثولوجيا مع نفس الميزانية الحسابية.

اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.

اختبر فهمك

  1. مفهوم

    ما دور عمود CNN في الشبكة الكبسولية الهجينة؟

  2. مفهوم

    هل "Hybrid Capsule Network" اسم لورقة بحثية واحدة محددة؟

  3. مفهوم

    ما التحدي الذي يبقى في التصاميم الهجينة؟

المراجع

  1. Sabour, S., Frosst, N., & Hinton, G. E. (2017). Dynamic routing between capsules. Advances in Neural Information Processing Systems (NeurIPS) 30. https://arxiv.org/abs/1710.09829

    arXivتحقق آلي عبر OpenAlex/arXiv – 2026-11-20

  2. De Sousa Ribeiro, F., Duarte, K., Everett, M., Leontidis, G., & Shah, M. (2024). Object-centric learning with capsule networks: A survey. ACM Computing Surveys, 56(11), 1–291 (arXiv 2206.02664). https://doi.org/10.1145/3674500

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  3. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. https://doi.org/10.1109/CVPR.2016.90

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20