《表1 各类别地物验证精度》

  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

《空洞卷积的多尺度语义分割网络》

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

%

基于基础网络和提出网络（基于空洞卷积的多尺度网络模型）的ISPRS Vaihingen数据集的验证精度如表1所示。不难看出，两种网络模型对建筑物的分割精度均明显高于其他类别。与其他类别相比，建筑物面积较大且其与其他类别的边界较为清晰，因此神经网络模型能够较好地区分建筑物与其他类别。地面虽然面积较大，且其特征与其他类别差异较为明显，但其边界受低矮植被及树木等类别以及阴影的影响，不慎清晰，因而其分割精度明显低于建筑物。树木和低矮植被特征较为相似，本文仅以航空遥感图像为依据，并未结合DEM数据特征，因此树木和低矮植被的分类结果不甚理想。多尺度空洞卷积能够准确识别地物目标并保留边界信息，但小汽车面积较小，较小的边界信息差异仍会导致较为明显的精度差异，因此该类目标分类精度相对较低。图像中的池塘等地物较少，提出网络无法有效学习其特征，故其他目标分类精度偏低。除其他类型，提出网络的分类精度均明显高于基础网络，其中地面、建筑物和小汽车的精度提升较为明显，这表明引入多尺度空洞卷积能够明显提升网络对不同尺度目标的学习能力，同时尽可能保留图像细节信息。在ISPRS Vaihingen数据集上，提出网络的总体IoU可达74.40%，F1 score可达84.77%，该精度在ISPRS竞赛中名列前茅，与基础网络相比，IoU和F1score分别提升1.6和2.1个百分点。