《表2 不同组件的网络模型的识别准确率》

  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

《多特征融合的三维模型识别与分割》

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

为了探讨笔者设计的单点特征子网络全局单点网络和注意力融合层对目标识别结果的影响，分别构建不同的网络进行了训练和测试，实验结果如表2所示。其中，“MFFCNN(Late Fusion）”为丢弃注意力融合层，是直接将一维全局单点特征和几何特征相连接的模型。可以看出，在PointNet[15]模型中引入组卷积和稠密连接，得到的SPRNet总体识别准确率比PointNet[15]提高了约0.8%。MFFCNN(Late Fusion）相比任何一个单模态特征子网络的识别准确率都有所提升，原因在于特征融合过程中不同性质的特征会相互补偿，得到特征信息更加丰富的特征描述符。在特征融合过程中引入注意力融合策略后得到的MFFCNN(Attention Fusion）总体识别准确率比没有加入注意力融合层的模型提高了约0.1%，进一步验证了笔者设计的注意力融合层对特征融合是有帮助的。因为注意力融合层能够自适应地对不同的局部结构特征进行特征区分，挖掘出更具鉴别力的细粒度几何特征。