《表6 合并后处理前后分割准确度对比》

  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

由表6可看出，大多数算法的Seg-acc在合并处理后都得到了提升，从提升比例来看，TSC-K是合并后处理算法最大的受益者，其各个任务的Seg-acc提升幅度普遍较大，主要原因是TSC-K在进行分割聚类时仅考虑了运动学数据，导致聚类过程中产生的碎片过多，而本文算法可以将这些没有正确归位的碎片合并到它们原来的位置上去，从而大幅提升了分割准确度.图10对穿针任务的后处理结果进行了可视化，其中每一种颜色都代表一段可以表示一个原子操作的子轨迹，分割结果与真实标记的相似度越高，说明轨迹分割结果越准确，图中白色的部分则表示错误分割或过度分割.可以注意到合并结果的好坏一定程度上也依赖于初始分割结果，如果一个分割段偏离真实标记过远，那么后处理算法也无法将它合并到正确的位置上去.在所有的实验结果中GMM是一个特例，经过合并后处理后有些任务的Seg-acc非但没有提升，反而出现了下降的情况，这是由于GMM算法在合并过程中需要预先指定合并类的个数，因而GMM产生的通常不是过度分割，而是错误分割，总体的分割准确度也较低.此外，还发现一个现象，随着非专家示范比例的上升，合并后处理算法表现出了更好的性能，这是由于专家的示范过程往往更加熟练和规范，从而聚类后产生的轨迹碎片较少，而非专家容易出现动作不一致性等问题，从而产生较多的碎片，而经过后处理可以将这些碎片合并到正确的轨迹段上去.