《表4 与经典深度学习网络模型提取精度对比》
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
《改进型双支网络模型的遥感海水网箱养殖区智能提取方法》
在相同的训练条件下,本文分别与U-Net[37],Seg Net[38]和DCCN[27]3种经典的深度学习网络模型对比分析。表4统计了不同方法测试的结果,从表4可以看出,本文方法提取精度整体优于其他方法。虽然本文方法在p指标上低于性能最好的DCCN模型0.63百分点,但在IOU和F1上,本文方法分别高于DCCN方法8.43和8.69百分点。另外,从图7中可以看出,在简单背景条件下,深度学习网络模型都具有很好的适用性,能够全面精细地提取出网箱区域,误分情况极少;但在复杂背景条件下,本文方法明显优于U-Net,Seg Net和DCCN方法,见图7中影像1和影像4标记框。由于U-Net,Seg Net和DCCN方法无法兼顾网箱的空间信息和全局上下文信息,进而导致在复杂背景下出现大量的误提问题。而本文方法则能有效兼顾网箱的空间信息和全局上下文信息,促使其不但能够满足单一背景网箱提取的需求也能够适应复杂背景网箱提取的精度要求。
图表编号 | XD00191243900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.01 |
作者 | 郑智腾、范海生、王洁、吴艳兰、王彪、黄腾杰 |
绘制单位 | 安徽大学资源与环境工程学院、珠海欧比特宇航科技股份有限公司、自然资源部大地测量数据处理中心、安徽大学资源与环境工程学院、安徽省地理信息智能技术工程研究中心、安徽大学资源与环境工程学院、珠海欧比特宇航科技股份有限公司 |
更多格式 | 高清、无水印(增值服务) |