For comparison, We also include in

For comparison, We also include in Table . the recog-nition performance of the 3D-SIFT and 3D-HOG features obtained from the 'bag-of-features'(BoF) + linear SVM, BoF+3-nearest neigbors (3NN) and Random Forest classifiers. Here, and elsewhere in this paper, We have constructed a BoF codebook using K-means clustering with 200 centures with an NBNN classifier significantly outperforms the other schemes.

ผลลัพธ์ (ไทย) 1:

สำหรับการเปรียบเทียบ เรายังรวมในตาราง recog nition ประสิทธิภาพของ 3D-ลอด และคุณลักษณะ 3D หมูได้จากการ ' bag-of-features'(BoF) + SVM เชิงเส้น BoF + 3 ใกล้ neigbors (3NN) และคำนามภาษาป่าสุ่ม ที่นี่ และอื่น ๆ ในเอกสารนี้ เราจะสร้าง codebook BoF ที่ใช้ K-หมายถึงคลัสเตอร์กับ centures 200 กับ NBNN การ classifier มาก outperforms โครงร่างอื่น

ผลลัพธ์ (ไทย) 2:

สำหรับการเปรียบเทียบเรายังรวมถึงในตาราง ประสิทธิภาพสูต-nition ของ 3D-ร่อนและคุณลักษณะ 3D-HOG ที่ได้รับจากกระเป๋าของคุณสมบัติ (BOF) + SVM เชิงเส้นทั้งสอง + 3 ใกล้ที่สุด neigbors (3NN) และป่าสุ่มแยกแยะ ที่นี่และที่อื่น ๆ ในบทความนี้เราได้สร้าง codebook ทั้งสองโดยใช้การจัดกลุ่ม K หมายถึงกับ 200 centures กับลักษณนาม NBNN อย่างมีนัยสำคัญมีประสิทธิภาพดีกว่าระบบอื่น ๆ

ผลลัพธ์ (ไทย) 3:

สำหรับการเปรียบเทียบ นอกจากนี้เรายังรวมอยู่ในโต๊ะ การ recog nition ประสิทธิภาพของ 3d-sift 3d-hog และคุณลักษณะที่ได้รับจาก ' กระเป๋าคุณลักษณะ ' ( BOF ) SVM เชิงเส้น , BOF 3-nearest neigbors ( 3nn ) และคำป่าแบบสุ่ม ที่นี่ และที่อื่น ๆในบทความนี้เราได้สร้างชุดสำหรับใช้ k-means BOF 200 centures กับ nbnn ลักษณนามอย่างมีนัยสำคัญมีประสิทธิภาพดีกว่าระบบอื่น ๆ