《表1 网络前期训练精度比较》

  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

《基于语义分割网络的高分遥感影像城市建成区提取方法研究与对比分析》

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

（%）

实验中，每个网络均进行80个循环，其中每次循环显示一次结果；每5次保存一个模型，故最后可以得到16个训练不同阶段的模型。实验每一次结果显示均输出6个不同参数，分别为:训练集平均损失、验证集平均损失、验证集平均准确率、验证集平均重叠度（intersection over union，IOU）（m I-OU）、背景IOU和前景IOU。为了防止偶然偏大或偏小的结果带来的影响，本实验再选取2个评价指标:使用前20循环平均前景IOU表示网络前期收敛速度；使用51-80循环平均前景IOU来表示网络稳定后的平均IOU水准。本实验共6个网络参与训练，分别为Deeplab v3-50，Deeplab v3-101，PSPNet50，PSPNet101，Shelf Net50，Shelf Net101，其中数字表示Res Net的层数。为了比较网络在前期的收敛速度，实验列出第20个循环的6个参数，以及前20个循环平均前景IOU，结果如表1所示；为了比较网络在收敛后的准确度，实验列出最终的6个参数，以及51-80循环平均前景IOU和训练时长，结果如表2所示。随机森林分类器和支持向量机分类器是遥感影像分类中较经典的机器学习分类器，但由于二者结构与语义分割网络有明显的不同，不能像语义分割模型一样通过模型分类器直接预测得到等尺寸的预测结果图片。所以，在训练这2个分类器前需要对影像数据和标签数据分别进行预处理编码成特征向量形式以适应分类器结构。本实验同样针对随机森林分类器和支持向量机分类器进行数据集的预测，但由于二者结构的局限性及特殊性，无法对随机森林分类器和支持向量机分类器进行前期精度的比较以及训练时长的统计。本文只进行最终验证集平均准确率及验证集m IOU的横向比较，比较结果如表2所示。