《表2 Model Net40上不同算法的网络性能比较》

  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

为了验证本文算法的优越性，在相同的实验条件下分别与目前主流算法在Model Net40数据集上进行对比实验，采用三维模型识别准确率和模型复杂度两个评估准则，实验结果如表2所示。可以看出，本文算法识别准确率明显优于其他算法，相比于Point Net识别准确率提高3.4个百分点，相比于最先进的Spider CNN识别准确率提高0.2个百分点。原因在于DGACNN既能挖掘局部区域内细粒度特征，又能通过结合局部区域之间的相关性捕获全局结构信息，增强了网络对于几何形状相似的类的区分能力。模型复杂度用训练完保存的模型大小进行评估，本文算法的参数存储量仅大于Point Net++和DGCNN，但识别准确率比Point Net++和DGCNN分别提高2.4个百分点和0.4个百分点。其他几种算法的模型复杂度明显高于本文算法，因为Selectable Dropout算法可以有选择地对网络冗余参数进行丢弃，相比于现有方法，既增强了网络的鲁棒性，有利于识别准确率的提升，也减少了网络的冗余性，降低了模型复杂度。综上所述，本文算法在三维模型识别准确率和模型复杂度两方面均有一定优势，达到最佳平衡。