53、室内空间实时识别的杂乱切片方法与主动学习策略

室内空间实时识别的杂乱切片方法与主动学习策略

在当今的科技领域，室内空间识别以及地理空间数据处理等方面面临着诸多挑战与机遇。本文将深入探讨室内空间实时识别的杂乱切片方法以及主动学习在地理空间数据处理中的应用。

室内空间识别的杂乱切片方法

在室内空间识别方面，杂乱切片方法为我们提供了一种新的思路。该方法利用常见室内空间的独特特征进行粗略分类，通过2D LiDAR传感器数据集进行了初步验证，并构建了支持此方法的可扩展管道。

实验结果

实验使用杂乱切片数据集对六种分类器进行了测试，结果如下表所示：
| 分类器 | 交叉验证准确率（第1折） | 交叉验证准确率（第2折） | 交叉验证准确率（第3折） | 交叉验证准确率（第4折） | 交叉验证准确率（第5折） | 总体准确率 |
| — | — | — | — | — | — | — |
| RF | 0.907 | 0.88 | 0.94 | 0.96 | 0.94 | 0.928 ± 0.03 |
| AdaBoost | 0.57 | 0.396 | 0.53 | 0.60 | 0.37 | 0.495 ± 0.09 |
| SVM | 0.83 | 0.88 | 0.867 | 0.924 | 0.886 | 0.88 ± 0.03 |
| Logistic Regression | 0.759 | 0.849 | 0.83 | 0.79 | 0.849 | 0.82 ± 0.035 |
| CNN | 0.907 | 0.905 | 0.94 | 0.96 | 0.96 | 0.936 ± 0.03 |
| ANN | 0.8