《表1 Indian Pines数据集上不同方法的分类精度和运行时间对比》

  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

《基于焦点损失的半监督高光谱图像分类》

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

在表1中给出了数据的定量分析。表1的结果进一步验证了从图6得出的结论，与CNN相比，SSF-CNN算法的OA、AA、Kappa分别提高了2.5个百分点，5.52个百分点和3.46个百分点；与同是半监督框架的SS-CNN相比，OA、AA、Kappa也分别提高了1.17个百分点、1.89个百分点和1.61个百分点。而当采用马尔可夫随机场作为分类后处理后，本文SSF-CNN-MRF算法取得了更好的分类结果，在6个类别上的分类精度都最高，分别达到95.12%、98.32%、99.78%、99.70%、98.29%和100%。就总体分类评价指标而言，SSF-CNN-MRF算法的OA、AA和Kappa分别达到98.73%、98.54%和98.24%。可以看出，在分类任务中马尔可夫随机场作为图像后处理是有益的，这是因为马尔可夫随机场侧重于高光谱图像的空间信息，并与卷积神经网络提取的光谱信息相结合，进一步提高了分类性能。