《表3 本文算法聚簇的F＿measure》
提示：宽带有限、当前游客访问压缩模式
本文以实验数据中4类主要地物（建筑物、电线杆、树木、电力线）来统计算法聚簇的F＿measure，结果见表3.显然4类地物的聚类精度F＿measure均在90%以上.
| 图表编号 | XD00200367600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.11.30 |
| 作者 | 刘亚文、张颖 |
| 绘制单位 | 武汉大学遥感信息工程学院、武汉大学遥感信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表5 不同分类算法的accuracy、F-measure和G-mean》2021.02.05
- 《表4 计算不同算法精度、召回率、F-Measure》2021.02.15
- 《表7 对数据2使用不同方法所得聚簇F＿measure对比》2020.11.30
- 《表6 对数据1使用不同方法所得聚簇F＿measure对比》2020.11.30
- 《表2 几种算法的F-measure对比结果》2020.03.01
- 《表4 LFSD上的算法模型F-measure、MAE对比》2020.07.01
- 《表2 三种聚类算法的F-measure结果》2020.06.01
- 《表1 各算法进行视频前背景分离的F-measure值》2020.08.15
- 《表1 6种算法在i Coseg和MSRC数据集上F-measure,S-measure和M AE》2020.03.01
- 《表1 不同聚类算法的聚类数目(CN)及准确度(Mean＿R/Max＿R,Mean＿F/Max＿F)的比较》2019.10.01
- 《表3 基于波束分簇的频率动态分配算法》2019.09.25
- 《表2 KC-RF算法与RF算法的F-measure值及G-mean值比较》2019.03.10
- 《表1 其他图像去雾方法与本文方法GI＿F对比结果》2019.09.01
- 《表6 本文网络与其他卷积神经网络的F-Measure比较》2019.01.10
- 《表2 算法测试环境：分层贪心聚簇算法研究》2019.01.05
- 《表3 效果对比：分层贪心聚簇算法研究》2019.01.05
- 《表3 不同算法的F-measure对比》2019.03.25
- 《表2 SVM算法分类后的F-measure值比较Tab.2 Comparison of F-measure values after SVM classification》2018.04.01
- 《表2 聚类簇数M对本文算法F值的影响》2019.12.01
- 《表3 本文所构建的模型与协同过滤算法的F值相比较》2019.12.01