《表4 一些算法在选取的数据集的表现》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的点云分割方法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基准数据集对于深度学习领域的作用不言而喻，经过多年研究，也产生了许多优秀的室内和室外场景数据集。表4选取了几个在最近研究中较为常用数据集以展示算法在室内场景分割，模型分割以及室外场景分割的性能，选取的数据集有：斯坦福大学的S3DIS[67]、普林斯顿大学的ShapeNet[37]以及苏黎世联邦理工学院的Semantic 3D[38]。因为有些算法的实验和评估过程有其侧重性，并非所有算法这些数据集的指标上给出数据，或只给出部分数据。选取的评估指标为在大多数文献中都采取的几个指标：S3DIS和Semantic3D的语义分割的总体准确度（OA）和平均交并比（mIOU），以及在ShapeNet模型分类（Class.）和语义分割（Seg.）上的平均准确度（mAcc，相当于mIoU）。部分文献仅给出mIoU或者仅给出OA的情况下，本文尽可能通过给出的数据计算补全数据，但如未给出每类准确度的情况下，mIoU是无法计算的。表中分类1～5分别对应文章第3章中的5个小节的方法类别，数据旨在展示算法的性能，供相关研究者参考分析。