《表3 不同方法NMI对比表》
分别利用GMM[8]、TSC-K[9]、TSC-VGG[10]、TSC-SIFT[10]和本文TSC-DCED-Net对数据集进行轨迹分割,其中TSC-K和GMM只使用运动学数据进行轨迹分割,其他方法则同时使用视频数据和运动学数据进行轨迹分割.表3为各个轨迹分割方法的NMI.可以看出,在所有方法中,本文的TSC-DCED-Net方法达到了最好的NMI.从数据整体上看,同时使用视频数据和运动学数据进行分割的方法的NMI值要明显优于只使用运动学数据进行分割的方法;同时可以看出,对只使用运动学数据进行分割的方法,其NMI值有随着非专家示范比例的增大而减小的趋势,这一现象在缝合任务中表现得更为明显,这是因为缝合任务相对于穿针任务更加复杂,而非专家示范往往又存在动作一致性差等错误,导致聚类标志变得难以识别.而在使用了视频数据后,可以发现这一趋势被明显减弱了,由此可以看出,视频数据对手术轨迹分割有十分重要的意义.
图表编号 | XD0067260800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.01 |
作者 | 谢劼欣、赵红发、邵振洲、施智平、关永 |
绘制单位 | 首都师范大学信息工程学院、成像技术北京市高精尖创新中心、首都师范大学信息工程学院、成像技术北京市高精尖创新中心、首都师范大学信息工程学院、首都师范大学轻型工业机器人与安全验证北京市重点实验室、首都师范大学信息工程学院、成像技术北京市高精尖创新中心、首都师范大学信息工程学院、首都师范大学轻型工业机器人与安全验证北京市重点实验室 |
更多格式 | 高清、无水印(增值服务) |