《表2 不同方法地物分类结果的混淆矩阵》

  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

《面向对象结合深度学习方法的矿区地物提取》

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

本文采用随机采样的方法进行精度评估，在测试区域选取1 000个样本点，以标注图像为标准，采用混淆矩阵进行分析，结果如表2所示。传统面向对象分类方法对每一类地物的识别精度均低于FCN-32s，FCN-8s及2种集成模型，其Kappa系数为0.597 8，为6种方法中最低，处于一致性较低的水平。2种集成模型方法的Kappa系数均达到了0.81以上，证明其分类结果与人工辨识后的标注图基本吻合，识别效果较好。实验结果表明面向对象结合深度学习方法与集成模型均对矿区地物错分现象改善明显且有效提高了识别精度，优于传统的面向对象分类方法。另外，由混淆矩阵可知，模型对矿区车辆和建筑的识别精度一般，这与矿区地面存在不少煤堆、废石堆及与车体大小相近的临时建筑有关，同时货车存在车头、车架、集装箱分离的情况，导致人眼也难以辨别车体，增加了错分的可能性，在未来研究中可加强对这部分地物特征的抽取表达，提升模型识别能力。