《表4 不同方法下不同研究区域实验精度表》

  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

《结合多种影像特征与CNN的城市建筑物提取》

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

不同方法下不同研究区间的精度情况。表4列出了本文方法、Lenet方法以及传统监督分类的最大似然法对马萨诸塞州区域1、区域2与区域3（依次从上到下顺序）共3个不同区域进行的定量分析。可以看出，对于精确率而言，存在一定的跳跃，即漏分像元数量存在较大差异。其原因与“提取结果误差分布分析”中对应部分相吻合。本文方法对区域1的精确率最高，达到80.35%。对于召回率以及F1评分而言，均较为稳定，介于66%～77%之间。对比本文方法与其他2种方法可以看出，本文方法与Lenet卷积神经网络方法相对于传统的监督分类方法，能更好地区分不同地物，具体体现在召回率上，最大似然法的召回率最高只达到26.40%，而卷积神经网络方法平均有70%以上的召回率。而对比同为卷积神经网络且在完全相同的数据下的本文方法与Lenet卷积神经网络方法，在精确率上，本文方法3个区域的平均精确率比Lenet方法高1.36%，而在平均召回率上，仅有着0.19%的微小差距。