《表5 不同模型的INRIA 5个地区的测试结果对比》
(%)
作为横向对比,本文在INRIA遥感数据集上训练SegNet[16]和pix2pix[17],并统计FCN[2]、Skip[2]以及MLP[2]实验结果,同时整理文本各阶段模型在INRIA 5个地区测试集上的实验结果,相关数据如表5所示。由表5可知,SegNet两个指标上均低于其他模型,RDASP-Net相对于MLP[2]模型在准确率和交并比两个指标上分别提升1.84%和11.26%,相对于RNA分别提升0.31%和2.02%,均优于其他模型。表5并未统计pix2pix的结果,原因是pix2pix是一种生成对抗网络(GAN)。GAN的机制是使生成器生成尽可能接近真实值的提取结果,与原始标签值不完全相同,因此从数学角度来看,其准确率非常低,但pix2pix可以生成效果更好的视觉图像。图5所示为SegNet、pix2pix和RDASP-Net的建筑物提取视觉效果图,从图5可知,RDASP-Net建筑物提取边缘更精确,视觉效果更好。因此RDASP-Net可充分利用多尺度信息,提高建筑物准确率以及边缘的精确度,在5个地区的遥感影像建筑物提取中表现出较强的泛化能力。
图表编号 | XD00155759800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.01 |
作者 | 韩彬彬、张月婷、潘宗序、台宪青、李芳芳 |
绘制单位 | 中国科学院空天信息创新研究院、中国科学院空天信息创新研究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、中国科学院空天信息创新研究院、中国科学院空天信息创新研究院空间信息处理与应用系统技术重点实验室、中国科学院空天信息创新研究院、中国科学院空天信息创新研究院空间信息处理与应用系统技术重点实验室、中国科学院空天信息创新研究院、中国科学院空天信息创新研究院空间信息处理与应用系统技术重点实验室、中国科学院空天信息创新研究院、中国科学院空天信息创新研究院空间信息处理与应用系统技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |