《表1 在不同损失函数下不同网络结构的精度对比》

  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

《基于集成学习的强鲁棒性三维点云数据分类研究》

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

文中研究了在不同损失函数下不同网络结构对于实验的影响，见表1。如表1所示，ECNN表示全局特征增强后的网络，SECNN表示全局增强后，并且采用两层多层感知机来学习全局特征的网络。由表1可以看出，采用添加了中心损失的交叉熵损失函数的网络提高了分类精度，这是因为中心损失函数可以减少类内距离，而交叉熵损失函数可以增加类间距离。二者的结合对于网络的优化起了一定的作用。