《表5 各类算法在Semantic KITTI数据集上的时空复杂度分析》
注:Total time表示总运行时间;Max infer表示最大的输入点数(maximum inference points)。
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。
图表编号 | XD00200916300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.01 |
作者 | 景庄伟、管海燕、臧玉府、倪欢、李迪龙、于永涛 |
绘制单位 | 南京信息工程大学地理科学学院、南京信息工程大学遥感与测绘工程学院、南京信息工程大学遥感与测绘工程学院、南京信息工程大学遥感与测绘工程学院、武汉大学测绘遥感信息工程国家重点实验室、淮阴工学院计算机与软件学院 |
更多格式 | 高清、无水印(增值服务) |