《表5 NWPU-RESISC45数据集的分类精度》

  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

《联合卷积神经网络与集成学习的遥感影像场景分类》

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

/%

为验证本文方法的泛化性，利用场景更加复杂、种类和数量更加丰富的数据集NWPU-RESISC45进行试验。设置两组试验，第1组试验对每类样本数据随机抽取10%数据用于训练，90%数据用于测试。第2组试验随机抽取20%数据用于训练，80%数据用于测试。每组试验进行5次，以其均值作为最终试验结果（表5）。由表5可以得出与数据集UCMerced＿LandUse相同的结论：对VGG16和ResNet50等深层卷积神经网络模型进行微调能够取得远高于词袋模型等传统方法的分类精度，其中ResNet50模型特征提取能力最好；多种特征融合的分类精度高于单一特征的分类精度；集成学习方法的分类精度高于特征融合的方式。采取集成学习策略，在不采取数据扩充的情况下，采用10%数据训练，分类精度达到85.75%，采用20%数据训练，分类精度达到88.38%。当仅采用3个方向旋转扩充样本的方式可以将精度提高约1.5%，分别达到87.21%和89.93%，表明本文方法通用性强、可用于少量训练样本情况下遥感影像的场景分类问题。