《表5 不同方法在未加噪声的点云图像船舶数据集上的分类准确率、F1分数和训练时间》

  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

表6为不同方法在自建点云图像船舶数据集（如表2所示）上的分类准确率、F1分数和训练时间的对比结果。鉴于表5中传统PFH+BoW+SVM方法的训练时间太长，实时性较差，表6中没有再列出该方法。由表6可知，与其他几种方法相比，本文方法的分类准确率仍然最高，但由于数据集中包括了添加高斯噪声的点云图像，样本具有多样性的特点，更接近实际环境中的数据，因此分类挑战更大，各个方法的分类准确率稍有降低。由于数据集样本数增多，训练时间也对应有所增加，但本文方法的训练速度仍然优于3DShapeNets和文献[17]方法。