《表2 不同模型在Potsdam测试数据集上的分割结果对比》

  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

《树形结构卷积神经网络优化的城区遥感图像语义分割》

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:加粗字体为每列最优结果。

从表1和表2可以看出，本文模型均在整体准确率这一项中表现最好，在Vaihingen和Potsdam数据集上分别达到了90.4%和90.7%，说明该模型具有较高的分割精度。另外，在低灌木植被（low＿veg）和树木（tree）这两个相互易混淆的类别的表现上，相比较于其他网络模型，F1值均有提升。在Vaihingen数据集的实验中，本文模型的低灌木植被和树木类别的F1值分别为83.6%和89.6%；在Potsdam数据集的实验中，本文模型的低灌木植被和树木类别的F1值分别为86.8%和87.1%。对于平均F1值这一指标，本文模型在Vaihingen和Potsdam数据集上的分数分别是89.3%和92.0%，远远高于其他3种方法，说明本文模型对于遥感图像的整体分割表现优秀，并且在树木之外的其他类别上，表现都是最好的。