《表3 不同网络的分类精度和计算时间比较》
采用本文网络、IIS_1网络[12]、HM_1网络[4]、UM网络[6]、LUH网络[1]、BIJ_W网络[22]、WhuY3网络[7]和NANJ2网络[21]对Vaihingen数据集进行分类,结果如表3所示。由表3可知:ISS_1网络的分类效果较差,这是因为该网络将点云体素化,丢失了过多点云原始特征;HM_1网络、UM网络时间开销小,这是因为网络使用了机器学习进行分类,但由于该种网络只使用了点云结构特征进行分类,因此分类准确性较低;BIJ_W网络、WhuY3网络、NANJ2网络以及本文网络都引入神经网络进行深层特征提取,本文网络在分类性能上优于其他网络,并且时间开销相对于BIJ_W网络减少了16.7s,主要是由于本文使用点云原始数据作为输入,未转化为网格和图像。综上所述,本文所提出的MLMS-Net网络可以在保证时间开销的前提下有效提高点云的分类精度。
图表编号 | XD00210427000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.10 |
作者 | 薛豆豆、程英蕾、文沛、余旺盛、秦先祥 |
绘制单位 | 空军工程大学信息与导航学院、空军工程大学信息与导航学院、空军工程大学信息与导航学院、中国人民解放军93575部队、空军工程大学信息与导航学院、空军工程大学信息与导航学院 |
更多格式 | 高清、无水印(增值服务) |