《表4 各类算法在Model Net40数据集上的时空复杂度分析》

  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

《基于深度学习的点云语义分割研究综述》

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

注：Vanilla表示在不使用T-Net的情况下训练的模型；Parameters表示参数量；Infer表示推算时间（inference time)；Acc表示精确度（accuracy）。

表5定量地显示了不同方法的总时间和内存消耗。该实验对比在RTX2080Ti GPU的硬件环境下进行，针对Semantic KITTI数据集。从表5中可以看出，SPG网络参数最少，但处理点云的时间最长，原因是几何划分和超图构造步骤繁琐；Point Net++和PointCNN的计算开销也很大，主要是由于FPS的采样操作；Point Net和KPConv由于内存操作效率低，无法一次通过获取超大规模的点云；而Rand LA-Net基于简单的随机抽样和高效的局部特征聚合器，实现了用较短的时间来推断每个大规模点云的语义标签。