《表3 训练和测试样本个数》
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
《融合浅层特征的深度卷积神经网络互花米草遥感监测方法》
以融合后的原始7个光谱波段和9维浅层特征作为DCNN的输入数据,进行黄河口入海两侧湿地典型地物类型的分类实验。其中样本选择是DCNN模型训练过程的关键因素,直接影响网络特征学习的有效性。根据外业踏勘的资料集和地物的真实分布图,遵循最具代表性、均匀分布、像元独立的原则,共选取研究区7种地物850个训练样本和1779个测试样本,整幅影像包含173 072个像元,每类地物的数量如表3所示。通过网络对数据的多次训练,DCNN模型的均方误差开始下降后呈稳定趋势,错误率达到最小值,为0.093。DCNN结构参数设置为:两层特征提取结构,卷积核的数量为8个和12个,卷积核大小均为3像素×3像素,批训练样本个数为2,迭代次数(epoch)为30,学习率为0.8。支持向量机(support vector machine,SVM)分类器设置RBF核函数,惩罚参数为100。随机森林(random forest,RF)分类器构建100个森林树,训练特征数量为4,用两种实验的分类结果作为对比来评估DCNN的分类潜力。
图表编号 | XD00102122500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.15 |
作者 | 朱玉玲、王建步、王安东、王锦锦、赵晓龙、任广波、胡亚斌、陈晓英、马毅 |
绘制单位 | 自然资源部第一海洋研究所、自然资源部第一海洋研究所、山东黄河三角洲国家级自然保护区管理局、珠海欧比特宇航科技股份有限公司、自然资源部第一海洋研究所、自然资源部第一海洋研究所、自然资源部第一海洋研究所、大连海事大学、自然资源部第一海洋研究所、自然资源部第一海洋研究所 |
更多格式 | 高清、无水印(增值服务) |