《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》
(%)
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。
图表编号 | XD00101999000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.25 |
作者 | 杨旭勃、田金文 |
绘制单位 | 华中科技大学人工智能与自动化学院、华中科技大学人工智能与自动化学院 |
更多格式 | 高清、无水印(增值服务) |