《表2 本文方法在测试区域的土地覆盖分类结果混淆矩阵、类别精度和总体精度》
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
《利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测》
采用块样本验证了本文方法FACNN明显优于其他算法后,将FACNN应用于全武汉市数据的训练和测试。用图1(c)红框外的全部区域(训练区域)训练FACNN网络,对红框内的区域(测试区域)进行土地覆盖分类,分析土地覆盖的分类精度。首先,将训练、测试区域影像无缝切分为大小512×512像素的影像块,利用训练区域的影像数据训练FACNN网络模型;然后,用训练好的FACNN对测试区域的影像块进行土地覆盖分类;最后,将测试区域的影像块拼接成完整影像。在本实验所采用的硬件配置条件下,训练时间约20 h,预测时间约45 min。表2为测试数据土地覆盖的混淆矩阵、类别精度和总体精度(OA)。
图表编号 | XD00124955800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.05 |
作者 | 季顺平、田思琦、张驰 |
绘制单位 | 武汉大学遥感信息工程学院、武汉大学遥感信息工程学院、武汉大学遥感信息工程学院 |
更多格式 | 高清、无水印(增值服务) |