《表1 不同卷积层的融合结果》

  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

《基于多尺度特征融合的土地利用分类算法》

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

为了验证多层特征融合的优势以及最优的融合方式，本文做了c6、c1＿c6、c2＿c6、c3＿c6、c4＿c6及c5＿c6的实验，每种方法实验5次，取平均值作为最终结果，见表1。其中“c*”为第*卷积层的多尺度特征，“＿”表示连接（例如，c6代表单层多尺度池化，c1＿c6代表第一层卷积的多尺度特征与第六层卷积的多尺度特征融合方法）。从表1中可以看出，单层的多尺度池化c6的精度低于多层特征融合的方法，在多层特征融合的方法中（c1＿c6、c2＿c6、c3＿c6、c4＿c6和c5＿c6），各方法精度差距较小，考虑到连接后特征维度的大小，TL-MFF模型中的特征融合方式使用c1＿c6。多层特征融合方法相对于单层多尺度池化方法的优势也可从图7的混淆矩阵看出，图7(a）为单层多尺度池化方法，图7(b）为c1＿c6多层特征融合方法。在图7(a）中建筑、密集型住宅和储罐的分类误差较大，在图7(b）中这些场景分类效果得到明显提升。图8为c1＿c6实验（即TL-MFF实验）的训练过程。从图8中可以看出，在调整过程中迭代200次后训练精度和测试精度达到收敛。