《表5 不同网络层数的分类精度》

  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

《联合局部二值模式的CNN高光谱图像分类》

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

注：加粗数字表示最佳精度，IN（Indian Pines），PU（Pavia Univer-sity），SA(Salinas）。

(2）网络层数。其次测试不同的网络层数对分类精度的影响，首先设定3组数据对应的模型第1卷积层的卷积核数量后，分别测试网络层数为3、5、7、9时模型的分类精度及时间，除最后一层为全连接层外，模型中均为卷积层和池化层交叉，3组数据的分类结果如表5所示。从表5中可以看出，由于深层神经网络更容易出现梯度消失问题，随着网络层数的增加，分类精度缓慢下降，因此针对Indian Pines数据、Pavia University数据及Salinas数据对应的CNN模型，分别设置其网络层数为3、3和3。