《表2 本文方法在训练面片数为200000~300000的模型时的时间消耗》
从图5中可以看出:本文方法相比于文献[6]方法在分割精确度上有很大提升,比文献[8]方法也有一定提高;标签分类数较少的模型,如分割标签总数是2的Octopus模型和分割标签总数是3的Fish模型,表现出了更高的分割精确度。说明采用蚁狮优化算法优化极限学习机,训练得到了较优的分割分类器。除此之外,虽然本文方法对Airplane、Ant、Chair这3类模型的分割结果略低于文献[7],但在时间性能上具有一定优势:本文方法采用极限学习机这种单隐层前馈神经网络作为基本模型,在训练200000~300000面片数的模型时需要花费1000s左右,而文献[7]中的方法在配置为XeonE5-2670 2.60GHz CPU的计算机上需耗时4h左右。总体而言,本文利用群体智能优化思想———蚁狮优化算法优化极限学习机的输入权值矩阵和隐层偏置,将改进的极限学习机应用于网格模型分割时能够训练得到较优的分割分类器,提高了分割精确度,同时有效避免了深度神经网络训练时间过长的问题。虽然本文方法应用于面片数较多的网格模型时,分割精确度有所提高,但由于面片总数较多,错分的面片数也相对偏多,如果构成连通区域,该部分分割结果就会影响视觉效果。
图表编号 | XD00133406100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.25 |
作者 | 杨晓文、尹洪红、韩燮、刘佳鸣 |
绘制单位 | 中北大学大数据学院、中北大学大数据学院、中北大学大数据学院、中北大学大数据学院 |
更多格式 | 高清、无水印(增值服务) |