《表3 不同方法NMI对比表》

  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

《基于无监督深度学习的多模态手术轨迹快速分割方法》

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

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.