《表2 自建点云图像船舶数据集中的训练样本和测试样本数量》

  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

《基于三维卷积神经网络的点云图像船舶分类方法》

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

目前没有公开可用的激光雷达点云图像船舶数据集，因此本文使用的点云船舶数据集是自建的船舶数据集，包括1440张点云图像。这些图像是从不同视角对PASCAL3D+数据集[21]中的三维CAD船舶模型进行采样得到的图像。数据集中的每一幅图都手动标记为5种类别（游艇、皮划艇、帆船、客船以及货船）中的某一类。三维CAD图和部分点云图像样本如图4所示。为了使实验数据更加接近实际环境中的数据，并使模型可以应用于多个角度的识别，先通过三维仿射变换对点云图像进行旋转和平移操作，再添加均值为0、方差为0.02的高斯噪声对点云图像进行随机抖动操作。通过旋转平移以及添加高斯噪声也可以进一步扩增数据集。具体过程为：将采样得到的点云图像沿z轴每隔10°旋转一次，因此每种类别的点云图像共36幅，再对每幅点云图沿x轴分别作20，40，60 m平移变换，每种类别的点云图像共144幅，最后对每幅点云添加均值为0、方差为0.02的高斯噪声。因此，数据集中包括未加噪的点云图像和加噪点云图像两大类，并控制二者在训练集和测试集的数量比例为1:1。随机选取1155幅点云图像作为训练集，剩余285幅点云图像作为测试集，为了保证不同种类船舶点云图像的平衡性，每一类船舶点云图像的训练集和测试集样本数量比值约为4…1，训练样本和测试样本数量如表2所示。本文还使用表3所示的加噪声前的点云图像数据集进行了实验，进一步验证所提方法的正确性。