《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》

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

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。