《表2 NWPU数据集分类精度》

  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

《基于反卷积高层特征的遥感地物图像分类》

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

%

分别采用LBP编码底层特征提取算法、改进型SLBP编码底层特征提取算法、流行学习LE降维算法结合SVM、CRF和KNN分类器作对比实验，充分说明高层特征提取算法的有效性。从表1的Satellite数据集实验结果可以看出，本文提出的DF＿Vgg16算法，对于每类的样本测试集的分类精度相对于其他几种方法大部分都有提高，对比LBP+SVM、SLBP+SVM、SIFT结合流行学习这些传统的算法提高了10%之多，相比底层特征和中层特征分类算法也有一定提高。表2和表3分别为NWPU数据集和UC Merced数据集的分类精度结果，引入多个数据集进行实验使结果更有说服力，对于森林这种纹理特征丰富的样本，其他方法也可达到较好的分类效果，但是对于海滩、沙漠这种特征较少的样本，另外4组方法的精度就比较低了，而使用本文的分类算法可以有效地提高分类精度。如图7所示，加入迁移学习后的训练网络能实现loss函数的快速收敛，同时校验数据的准确率能适应目标模型要求。对三组数据计算用Kappa系数（Kappa）、总体精度（PA）和漏分误差的精度（OE）后取平均值，DF＿Vgg16算法Kappa值能达到0.89，误差精度OE降到7.5%，总体精度（PA）达到92.06%，如表4。虽然本文算法测试时间相对来说较长，主要原因是深度学习过程训练模型权重还原过程比较耗时，但是算法的精度上更为可观。