畳み込みニューラルネットワークは、向きの認識に苦労する。顔を回転させると、CNNは鼻を検出できるかもしれないが、鼻と口の空間的な関係性を失ってしまう。カプセルネットワークは、ニューロンをカプセルにグループ化し、スカラー値ではなくベクトルを出力することで、この情報を保持しようとする。

各カプセルは、特徴の存在とその特性（姿勢や向きなど）の両方を符号化します。動的ルーティングにより、下位レベルのカプセルは、自身と一致する上位レベルのカプセルにその出力を送信し、部分と全体の関係を構築できます。

潜在的な利点

• 回転と視点の処理の改善
• 空間階層の維持
• 大規模なトレーニングセットの必要性が少ない
• より解釈しやすい内部表現

採用は限定的である。カプセルネットワークは学習に時間がかかり、大規模なベンチマークテストではCNNに匹敵する性能を発揮していない。そのため、実用化の標準というよりは、活発な研究分野にとどまっている。