全局最 持征提取 矩阵生成 1024 均池化 图2带殊空间变换网络 在实验中,我们使用了两次特殊空间变换网络,第一次在提取特征之前,对原始点云数 据进行对齐;第二次在提取到64维特征之后,对点云特征进行对齐。 四、实验结果 我们在 shapenetcore partanna_ segmentation_ benchmark[16]公开数据集上进行了大 量实验。实验所用数据集为 ShapeNetcore的子集,具有部件分割信息,包含来自16个形状类 别的16K模型,每个类别的零件数量从2到6不等, ShapeNetcore具有单个3D模型和手动验证 的类别和对齐注释。并且,我们在该数据集上与基础的 PointNet做了比较。 (一)评价指标 1.准确率 实验中我们的任务是对点云目标的分类,所以准确率是最基础的一个评价指标。假设正 确预测的个数为n1,总样本数为n,则准确率为 n 其中aCc表示分类的准确率。 2.均值和方差 实验中我们在测试集上得到了多次预测的准确率,并求得了准确率的均值和方差。准确 率的均值和方差计算公式分别为 ∑=1ac,=1∑1(acc-ac)2 (二)实验结果 表1是我们的方法与 PointNet在 shapenetcore partanna_ segmentation benchmark公开 数据集的对比。 (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net图2 特殊空间变换网络 在实验中，我们使用了两次特殊空间变换网络，第一次在提取特征之前，对原始点云数 据进行对齐；第二次在提取到64维特征之后，对点云特征进行对齐。 四、实验结果 我们在shapenetcore_partanno_segmentation_benchmark[16]公开数据集上进行了大 量实验。实验所用数据集为ShapeNetCore的子集，具有部件分割信息，包含来自16个形状类 别的16K模型，每个类别的零件数量从2到6不等，ShapeNetCore具有单个3D模型和手动验证 的类别和对齐注释。并且，我们在该数据集上与基础的PointNet做了比较。 （一）评价指标 1.准确率 实验中我们的任务是对点云目标的分类，所以准确率是最基础的一个评价指标。假设正 确预测的个数为𝑛1,总样本数为𝑛，则准确率为： acc = 𝑛1 𝑛 其中acc表示分类的准确率。 2.均值和方差 实验中我们在测试集上得到了多次预测的准确率，并求得了准确率的均值和方差。准确 率的均值和方差计算公式分别为： 𝑎𝑐𝑐 ̅̅̅̅̅ = 1 𝑛 ∑ 𝑎𝑐𝑐𝑖 𝑛 𝑖=1 , δ = 1 𝑛 ∑ (𝑎𝑐𝑐𝑖 − 𝑎𝑐𝑐 ̅̅̅̅̅) 𝑛 2 𝑖=1 （二）实验结果 表1是我们的方法与PointNet在shapenetcore_partanno_segmentation_benchmark公开 数据集的对比