《表2 不同分类器的精度比较》
从图6可以看出,随着迭代次数的增加,6种方法的分类精度都在上升。这说明对于任何有效的分类器,主动学习方法都具有提升分类精度的作用。表2给出6种方法在3个数据集上的3种分类评价指标。在3个数据集上,带有边缘采样的SVM方法比随机选择样本的SVM方法总体分类精度分别提高2.44%、2.51%和2.31%,可知边缘采样方法对于高光谱图像分类结果具有明显的改善作用。而4种神经网络方法对比SVM方法都有明显的提升,精度提升的幅度在4%~11%之间,这说明在处理高光谱图像这种高维数据时,神经网络方法相比于SVM这种浅层学习模型有着明显的优势。
图表编号 | XD00143717100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.15 |
作者 | 宋晗、杨炜暾、耿修瑞、赵永超 |
绘制单位 | 中国科学院电子学研究所、中国科学院空间信息处理与应用系统技术重点实验室、中国科学院大学、中国科学院电子学研究所、中国科学院空间信息处理与应用系统技术重点实验室、中国科学院大学、中国科学院电子学研究所、中国科学院空间信息处理与应用系统技术重点实验室、中国科学院大学、中国科学院电子学研究所、中国科学院空间信息处理与应用系统技术重点实验室、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |