《表2 不同组件的网络模型的识别准确率》
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。
图表编号 | XD00157091800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.20 |
作者 | 党吉圣、杨军 |
绘制单位 | 兰州交通大学电子与信息工程学院、兰州交通大学电子与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |