《表1 定量评价指标对比：小数据集中的小型建筑物提取方法研究》

  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

《小数据集中的小型建筑物提取方法研究》

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

（%）

作为对比，使用FCN和U-Net在64、128，256切块数据集上均进行了训练和测试。FCN特征提取层的网络权重来自vgg16网络对应层[8]。最终结果表明，FCN-8 s和U-Net在128区块上的结果远优于另外两种切块方式，ZF-FCN网络在64和128区块上的结果接近且远优于256区块，如图3、图4、表1所示。由于本文对全图测试，建筑物目标占原图比例较小，不便展示分割细节，因此只在图3中展示一张测试图的全图对比，在图4中将各个模型对测试图原图预测结果包含建筑物部分裁剪出的多个128×128区块进行对比。结果显示，FCN-8 s和U-Net模型的预测结果不具备准确检出建筑物形态的能力，而ZF-FCN的效果明显优于FCN-8 s和U-Net，能够检出建筑物形态，对于建筑物边缘细节的提取精度也较好。