《表2 Pavia University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

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。