《表3 不同组实验精度对比》
%
加入特征后的精度情况。从表3中对比实验1与实验2的定量精度评价指标可以看出,将纹理特征加入模型进行训练确实能提高预测精度,精确率P、召回率R以及F1评分3个指标分别提升了7.58%、2.83%和4.81%。对比实验2和实验5可以发现,采用高斯影像金字塔构建多尺度特征对模型的精度产生影响,其中精确率和F1评分分别提升了0.63%和0.17%。对比实验1与实验5可以发现,基于纹理信息和多尺度特征增强下的建筑物提取精度取得了进一步提升,3个指标分别提高了8.01%、2.71%和4.98%。同时也显示了2种特征对提升分类精度贡献不同:提取大小2个尺度的特征光谱,分别表征高分影像的光谱多尺度特征,与纹理特征相比,对卷积网络深度学习分类结果精度影响较小,对精度贡献较小。
图表编号 | XD00199361200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.20 |
作者 | 谢跃辉、李百寿、刘聪娜 |
绘制单位 | 桂林理工大学测绘地理信息学院、桂林理工大学测绘地理信息学院、广西空间信息与测绘重点实验室、桂林理工大学测绘地理信息学院 |
更多格式 | 高清、无水印(增值服务) |