《表2 ModelNet40测试集中各类别模型识别准确率对比》

  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K近邻卷积神经网络的点云模型识别与分类》

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

unit:%

将本算法与文献[4]、文献[20]、文献[22]、文献[24]使用的算法在ModelNet40数据集上进行测试，结果如表1所示。其中MA表示各类别识别与分类准确率的平均值，是各类别识别与分类准确率与类别数之比，Input表示输入模型点的数量，normal表示正常点云模型，-表示对应方法未公布该项数据。可以看出相比其他算法，本算法在ModelNet40数据集上的OA有明显提高。原因是本算法利用KNN算法构建了点云模型局部邻域，有效利用了局部结构信息，因此比文献[4]中的算法OA提高了2.8个百分点。为防止信息在点云特征中的非局部扩散，利用KNN算法逐特征建立局部邻域，因此比文献[22]中只考虑点云模型局部结构信息的算法，OA提高了1.0个百分点。对比文献[20]分组处理点云的PointNet网络，OA也提高了1.3个百分点。由于文献[24]从点云中构建kd树，而kd树的节点必须与输入点数目相同。若不满足此条件，则需要对输入点云做上采样或者下采样处理，导致OA受输入点数和kd树深度影响较大。本算法与文献[4]在ModelNet40的数据集中各类别识别与分类准确率对比如表2所示。可以看出，对于飞机、吉他、键盘等几类具有明显特征的模型，本算法与文献[4]中算法的识别与分类准确率均达到100.0%。相比于文献[4]，本文算法对钢琴、电视柜、浴缸等的识别与分类准确率也有很大提高，尤其是对电视柜的识别与分类准确率提高了12.0个百分点。这证明了本算法对特征不明显的模型也能够挖掘其细粒度特征，提高了识别细粒度模型的能力。