《表4 算法性能分析Tab.4 Algorithm performance analysis》

  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

《采用改进全卷积网络的“高分一号”影像居民地提取》

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

表4列出了算法性能分析，由表可知，FCNI模型对居民地信息提取的Kappa系数达到94%以上，F值也控制在96%左右，十分精确有效地识别出了“高分一号”遥感图像中居民地信息。而AG模型、SIM模型在Kappa系数、F值、错分误差的表现上均劣于FCN及FCNI模型，尤其是错分误差，在受到居民地毗邻土地信息的影响下甚至达到50%以上。在运行时间方面，AG模型、SIM模型所需时间也明显高于FCN及FCNI模型。综上所述，相比传统基于底层特征的提取方法，深度学习在高分辨率遥感影像居民地信息提取方面具有一定优势；FCN及FCNI在漏分误差上略逊于AG、SIM模型，但总体性能是远远超过两种经典算法的，主要原因为边界提取结果不够理想，在日后的工作中可以加入条件随机场等后处理进行优化；而FCNI模型则进一步提升了FCN模型提取结果的精度和效率。由表4可知，FCNI模型的Kappa系数比FCN模型平均提高了一个百分点，运行时间也有一定的降低。因此，FCNI模型对干扰的鲁棒性较高，提取效率好，在高分辨率图像规则建筑聚集街区式居民地信息方面表现出较强优势。