A konvolúciós hálózatok nehezen orientálódnak. Egy arc elforgatásával a CNN továbbra is érzékelhet orrot, de elveszíti az orr és a száj közötti térbeli kapcsolatot. A kapszulahálózatok megpróbálják megőrizni ezt az információt azáltal, hogy a neuronokat kapszulákba csoportosítják, amelyek skalárok helyett vektorokat adnak ki.

Minden kapszula kódolja egy jellemző jelenlétét és tulajdonságait, például a pozíciót vagy az orientációt. A dinamikus útválasztás lehetővé teszi, hogy az alacsonyabb szintű kapszulák a kimenetüket a velük összhangban lévő magasabb szintű kapszulákhoz küldjék, rész-egész kapcsolatokat építve ki.

Potenciális előnyök

• Jobb forgatás- és nézőpontkezelés
• A térbeli hierarchiák megőrzése
• Kevesebb szükség hatalmas edzéskészletekre
• Értelmezhetőbb belső reprezentációk

Az adaptáció korlátozott. A kapszulahálózatok lassan fejlődnek, és nem tudták felvenni a versenyt a CNN-ekkel nagyszabású benchmarkokon. Inkább aktív kutatási iránynak számítanak, mintsem termelési szabványnak.