Convolutionele netwerken hebben moeite met oriëntatie. Als je een gezicht roteert, kan een CNN nog steeds een neus detecteren, maar de ruimtelijke relatie tussen neus en mond gaat verloren. Capsule-netwerken proberen die informatie te behouden door neuronen te groeperen in capsules die vectoren in plaats van scalaire waarden uitvoeren.

Elke capsule codeert zowel de aanwezigheid van een kenmerk als de eigenschappen ervan, zoals positie of oriëntatie. Dynamische routing zorgt ervoor dat capsules op een lager niveau hun uitvoer naar capsules op een hoger niveau kunnen sturen die het daarmee eens zijn, waardoor deel-geheelrelaties ontstaan.

Potentiële voordelen

• Betere beheersing van rotatie en gezichtspunt.
• Behoud van ruimtelijke hiërarchieën
• Minder behoefte aan enorme trainingssets
• Meer interpreteerbare interne representaties

De toepassing ervan is beperkt gebleven. Capsule-netwerken trainen langzaam en hebben op grootschalige benchmarks niet dezelfde prestaties geleverd als CNN's. Ze blijven een actief onderzoeksgebied in plaats van een productiestandaard.