《表2 DFN模型语义分割结果定量评价》

  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

《深度融合网结合条件随机场的遥感图像语义分割》

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

各模型语义分割精度如表2所示。由表2可知，从DFN-5到DFN-3，PA、CA、MIOU值都显著增加，与定性评价结果一致。从DFN-3到DFN-1，MIOU值逐渐提高，PA和CA值略微降低。为了进一步分析，图4展示了不同模型各类地物的PA值，从图4中可以看出，对于不同地物类别，并非融合层深度越深，模型的PA值越高，同时可以看出，细节信息的融合深度对于具有丰富细节信息的地物类别的影响也会更大。以飞机类别为例，图5展示了不同模型（从DFN-3到DFN-1）的语义分割结果和标签结果叠加示意图。从图中可以看出，从DFN-3到DFN-1，由于加入更多不同尺度的细节信息，大幅减少了结果图中被错分为类别飞机的像素数量，但细化后的边缘使得类别飞机被分为其他类别的像素数量微量增加。PA值计算公式中分母值一定，分子仅考虑类别i被正确语义分割为类别i的像素数量，所以从DFN-3到DFN-1，PA值略微下降。当被错分的像素（类别i被错分的像素或被错分为类别i的像素）数量较少时，对所有测试的标签图像中像素总数量多的类别的PA值影响较小（如图4中类别密集住宅区、森林等），对像素总数量少的类别的PA值影响较大（如图4中类别飞机、高速公路、河等）。CA值为所有类别PA值的均值，所以语义分割结果更细化的DFN-1、DFN-2模型中像素数量多的类别的PA值增加的总程度小于像素数量小的类别的PA值减少的总程度，CA值下降。