《表4 自建数据集模型效果对比》

  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

《全卷积神经网络下的多光谱遥感影像分割》

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

Ronneberger等人（2015）提出了语义分割网络U-Net，是FCN的改进和延伸，融合了编码—解码对称结构和跳跃结构的特点，模型结构更加巧妙和优雅，编码器部分使用池化层逐渐减少特征分辨率，解码器部分使用上采样逐渐恢复特征图尺寸。编码器和解码器之间通常存在快捷连接，即跳跃连接，融合不同网络层次的特征，能帮助解码器更好地恢复目标的细节，U-Net在多个比赛中获得了良好的成绩，证明了它的有效性。Wang等人（2018）提出的Hdcduc模型将ResNet作为特征提取网络，并将ResNet网络中的部分卷积替换为空洞卷积，空洞卷积的采样频率设计为锯齿状，避免空洞卷积带来的网格效应，被称为hybrid dilated convolution。然后将提取到的特征输入到DUC结构，DUC的参数可学习，有利于恢复细节信息，此模型在多个自然图像语义分割数据集获得极高的分割精度，证明了此模型的有效性。FCN-8s模型、U-Net模型和Hdc-duc模型的输入数据、损失函数、训练以及后处理方法皆和本文模型一致，其中没有注明使用原始数据的模型，皆使用多源数据进行训练，即图像有7个波段:红光、绿光、蓝光、近红外、NDVI、EVI、NDWI。得到的结果如表4所示。