《表1 不同卷积层的融合结果》
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。
图表编号 | XD00137238400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.16 |
作者 | 张军、解鹏、张敏、闫文杰、石陆魁 |
绘制单位 | 河北工业大学人工智能与数据科学学院、河北省科学技术厅河北省大数据计算重点实验室、河北工业大学人工智能与数据科学学院、河北省科学技术厅河北省大数据计算重点实验室、河北工业大学人工智能与数据科学学院、河北省科学技术厅河北省大数据计算重点实验室、河北工业大学人工智能与数据科学学院、河北省科学技术厅河北省大数据计算重点实验室、河北工业大学人工智能与数据科学学院、河北省科学技术厅河北省大数据计算重点实验室 |
更多格式 | 高清、无水印(增值服务) |