《表5 先验知识辅助采集样本对模型分类精度的提升》
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
《融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法》
为进一步讨论本文样本采集方案的分类效果,本节在统一影像数据基础上,设计常见的棋盘切片式和四叉树划分式样本采集方案[43],对比提出的融合先验知识的样本采集方案,获得的样本图斑均由DRN模型分类。棋盘切片式采集方式将影像网格化处理,把现实地物视为规则化分布,故采样窗口中包含大量异类样本单元,影响样本质量。四叉树划分采集方案本质为区域性的影像单元裂变、合并,其采样窗口的变化是在满足一定阈值下的整体变化,难以根据特性空间特征进行针对性调整。同时传统采样方案仅可用于样本采集位置的选择,对异常区域处理、多尺度样本采集和样本特征选择方面均未涉及,因此获得的样本质量较低,并不适用于地表情况复杂的遥感影像样本提取工作。不同方案的分类结果如图7所示,本文方案从融合不精准先验知识出发,综合设计各个采集步骤,相较传统样本采集方案,获得的样本类型特征更显著,模型分类总体精度和各类型分类精度均有明显提高,表明本文方案更适用于LULC影像样本提取和分类工作。
图表编号 | XD00197768900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.10 |
作者 | 许长青、陈振杰、侯仁福 |
绘制单位 | 南京大学地理与海洋科学学院、南京大学地理与海洋科学学院、安徽省第一测绘院 |
更多格式 | 高清、无水印(增值服务) |