《表2 Pavia University数据集上不同方法的分类精度和运行时间对比》
与Indian Pines数据集上的实验类似,马尔可夫随机场作为图像后处理可以进一步提高分类精度。表2中给出了实验结果的定量分析。由表2可以发现,与CNN相比,SS-CNN和SSF-CNN的OA分别增加1.77个百分点和2.61个百分点。这是因为SS-CNN和SSF-CNN不仅利用了标记的样本,还使用了未标记的样本以增加可用的训练信息。当使用马尔可夫随机场作为图像后处理时,Pavia University数据集的分类效果得到了显著的提升;与没有使用马尔可夫随机场作为图像后处理相比,CNN-MRF、SS-CNN-MRF和SSF-CNN-MRF的结果表明,OA的增加分别为1.63个百分点、0.77个百分点和1.08个百分点,表明了马尔可夫随机场在提高分类准确性方面起着重要作用。由于高光谱地物复杂且具有不同的数据结构,SSF-CNN-MRF算法在分类过程中无法保证每一种地物的分类效果都很好,但是基于本文提出的半监督框架的SSF-CNN-MRF算法在三个总体性能指标OA、AA和Kappa上都是最高的。
图表编号 | XD00133821900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.10 |
作者 | 张凯琳、阎庆、夏懿、章军、丁云 |
绘制单位 | 安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院、测绘遥感信息工程国家重点实验室(武汉大学) |
更多格式 | 高清、无水印(增值服务) |