《表4 不同卷积核数量的分类精度》

  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）。

(1）卷积核数量。首先测试不同的卷积核数量对模型性能的影响，卷积核数量决定了卷积层输出特征图的数量，首先设定1D-CNN模型包含两个卷积层、两个最大池化层和1个全连接层，分别测试第1个卷积层卷积核数量为4、8、16、32时模型的分类精度，3组数据的分类结果如表4所示，表中加粗数字表示最佳精度。从表4中可以看出卷积核数量对分类精度的影响并不大，因此在实验中分别针对Indian Pines数据、Pavia University数据及Salinas数据对应的CNN模型，分别设置其第一卷积层的卷积核数量为16、8和16。