《表4 不同组件的有效性分析》

  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

《深度图注意力CNN的三维模型识别》

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

此外，实验还探究了GAC层、多头部GAC层和残差连接对网络性能的影响。通过构建不同的网络进行训练并测试，实验结果如表4所示。其中NC表示邻域选择机制，SC表示空间上下文编码。可以看出，在原始网络Point Net中引入邻域选择机制后识别准确率比Point Net提高了2.3个百分点，原因在于邻域选择注意力机制使每个描述点聚合了更具鉴别力的细粒度局部特征，在此基础上继续引入空间上下文编码机制后识别准确率又提高了0.8个百分点，总体识别准确率达到了92.3%。因为空间上下文编码机制能够有效获取全局的空间上下文特征信息，并与细粒度局部特征进行相互补偿，增强了特征的完备性。通过引入多头部机制，识别准确率提高了0.2个百分点，因为多头部图注意力卷积层聚合了更丰富的特征信息，提高了网络的泛化能力。最后引入残差连接，识别准确率提高0.1个百分点，因为通过残差连接使特征重组可以加深网络容量，能够充分挖掘深层隐含语义信息。