《表7 针对IP数据集的分类结果》

  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CNN的双边融合网络在高光谱图像分类中的应用》

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

本文测试了训练样本大小固定的情况下，各种模型的性能。在IP数据集中随机选取10%的样本进行训练，其余90%的样本进行测试。图5展示了不同模型的分类效果。从图5中可以看出，RPCA-CNN模型的分类效果最差，其分类图中具有相当大的噪声，这是因为其模型深度不够，不能提取到具有代表性的判别特征，同时对训练过程中出现的过拟合、分辨率下降等现象没有做出相应优化调整。而在另外4种经典分类模型中，注重增加网络深度的算法模型（SSRN模型、DRN模型、DFBN模型）所取得分类结果要明显优于其他对比模型。此外，与SSRN模型和DRN模型相比，所提DFBN模型能够更准确地对近边缘区域的像素进行分类，并提供与参考图（图4）更加相似的结果。表6和表7给出了针对IP数据集的定量分析结果。RPCA-CNN模型所取得的定量分析结果最差，所提DFBN模型在OA、KA上均取得了最优的结果，而在AA上略低于SSRN模型，这是由于在IP数据集中存在类别样本极度不均衡的现象，而基于3D卷积神经网络的SSRN模型在加入了原始高光谱图像的光谱上下文联系后，克服了这一缺点，但其忽略了卷积神经网络在向深处进发所引发的空间分辨率下降，以及对已提取到特征的利用，所以在精度方面的综合评价上，本文所提DFBN模型取得了最优结果。