《表3 Model Net40数据集上每一类的分类结果》

  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

为了进一步证明DGACNN算法的细分类能力，在Model Net40测试集上对实验结果中每一类的识别准确率与Point Net算法进行了对比分析，如表3所示。总体来看，对于测试集中绝大多数类，本文算法识别准确率相对于Point Net算法都有了明显的提高，尤其改善了全局几何结构极其相似，只有局部空间细节信息有所差别的类容易混淆的问题，如table类和desk类、chair类和stool类等。因为本文算法能充分提取到点云模型的更具鉴别力的空间上下文细粒度局部特征，所以才能有效区分易混淆的三维模型的类别信息。此外，为了对预测结果进行定性分析，图4给出了在Model Net40数据集上几种典型的误分类模型的可视化结果。图中从左往右依次为真实标签、本文算法预测结果、错误预测结果和真实标签的共同结构、标签说明Label。从实例中可以看出，真实三维模型和误分类模型的一些共同局部结构导致了本文算法识别混淆，如flower＿pot类和plant类的共同结构plant导致本文算法把flower＿pot类预测为plant类。由此可见本文算法在如何忽略干扰特征，只关注显著特征方面能力不足。未来可以考虑如何对不同尺度的局部区域引入注意力机制来排除局部干扰特征。