《表7 不同方法在悉尼城市目标数据集上的分类准确率、F1分数和训练时间》
为了进一步验证本文方法的有效性,在悉尼城市目标数据集上对本文方法和文献[12]、文献[15]、文献[17]以及VoxNet方法进行了对比,结果如表7所示。文献[12]采用的是传统的GFH特征描述子,并用SVM分类器进行分类。文献[15]利用具有7层结构的深度卷积神经网络进行三维模型数据集的检测和识别。从表7可以看出,与其他几种方法相比,本文方法的分类准确率最高;与文献[17]方法相比,本文方法的网络训练时间也大大缩短了。原因是本文方法的参数量少,并且具有良好的特征描述能力。
图表编号 | XD00188284800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.25 |
作者 | 任永梅、杨杰、郭志强、陈奕蕾 |
绘制单位 | 武汉理工大学信息工程学院宽带无线通信与传感器网络湖北省重点实验室、湖南工学院电气与信息工程学院、武汉理工大学信息工程学院宽带无线通信与传感器网络湖北省重点实验室、武汉理工大学信息工程学院宽带无线通信与传感器网络湖北省重点实验室、西安电子科技大学人工智能学院 |
更多格式 | 高清、无水印(增值服务) |