《表3 不同集成方法在UCMerced＿LandUse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

/%

选取特征组合（Feature-Combined）以及单一特征（Feature-ResNet），对比其在SVM、Logistic回归、Fine-tune以及Stacking集成学习法等4种方法的分类效果（图8）。由图8(a）、图8(b）可知，在少量训练数据情况下（每类样本中训练数据比例为10%和20%），对同一特征而言，采取简单的Logistic回归和SVM的方法甚至能够取得比在原有神经网络模型的基础之上Fine-tune更好的效果，同时Logistic回归和SVM参数更少，训练方法更为简单，优势也更为明显。因此本文Logistic回归模型作为第一级分类器，利用SVM作为第二级分类器建立Stacking集成分类器，对比单一特征和特征融合的分类精度，试验结果如图8(c）所示。当训练数据较少时，Stacking方法比单纯特征融合（Feature-Combined）的分类精度提高约2.5%，当训练数据比例小于50%时，Stacking方法明显优于任何单一特征或组合特征。此外，选择相同的分类方法作为子分类器，Stacking与Bagging、boosting（本文选用Adaboosting）集成方法的分类精度对比如表3所示，在相同数据集上，Stacking法具有更高的精度。