《表3 不同分类方法精度对比Tab.3 Comparison of accuracy in different classification methods》
Indian Pines数据集分类结果及精度对比,如图10和表3所示.由图10和表3可知:ACGAN-LBP-CNN分类法中,用CNN进行光谱空间特征分类时,训练次数仅需50次,且训练样本率可降低至0.05(将1,7,9,16这4类的训练样本数增至5个),即训练集个数为517,测试集个数为9 732.由于训练次数和训练集的减小,模型的运算量也减小,运行时间随之明显降低.采用10次实验为一组的统计结果发现,OA的平均值达到0.979 8,相比ACGAN分类法提升3.52%.由图10可知:ACGAN模型在不进行空间滤波的情况下,也可获得比半监督的3DBF-GANs更好的分类精度;将ACGAN作为纹理特征提取器并使用CNN进行分类,优于直接使用原始光谱数据进行分类;纹理特征的加入,可提升分类精度.
图表编号 | XD0034181400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.20 |
作者 | 刘群、陈锻生 |
绘制单位 | 华侨大学计算机科学与技术学院、华侨大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |
查看“表3 不同分类方法精度对比Tab.3 Comparison of accuracy in different classification methods”的人还看了
- 表2 不同隐藏层结构下DCNN的分类精度比较Tab.2 Comparison of DCNN classification accuracy under different hidden layers