《表4 不同算法在Salinas数据集的分类结果(%)》

  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

《面向高光谱影像分类的生成式对抗网络》

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

为了定量比较不同分类算法的性能，表3和表4分别给出了不同分类算法在两组高光谱影像数据上的分类精度。由表3和表4中的试验结果可知，1D-CNN和RNN方法的分类精度大体相当，且优于FCNN；而由于缺少足够的标记样本，1D-CNN、RNN和FCNN的分类精度均低于SVM，这也说明SVM能够较好地适应小样本分类；而本文提出的GAN通过生成器G和判别器D拟合不同地物的光谱特征分布辅助训练分类器C，使得分类器C得到更加充分的训练，因此，能够有效提高分类精度（GAN分类精度较FCNN有较大的提高），且明显优于SVM的分类精度，这说明了本文方法的有效性。