《表1 基于深度学习的高光谱图像分类方法总结》
提示：宽带有限、当前游客访问压缩模式
综上所述，基于深度学习的分类方法的概述、优缺点和应用场景具体情况如表1所示。
| 图表编号 | XD00201532600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.02.15 |
| 作者 | 万亚玲、钟锡武、刘慧、钱育蓉 |
| 绘制单位 | 新疆大学软件学院、新疆大学软件学院、新疆大学信息工程学院、新疆大学软件学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 基于作物病虫害识别的高光谱图像分类算法》2021.01.25
- 《表2 客观指标比较：基于改进的3D-CNN的高光谱遥感图像地物分类》2021.01.01
- 《表2 高光谱图像分类常用的数据集》2021.02.15
- 《表1 基于深度学习的数据融合方法总结》2020.12.15
- 《表2 遥感数据集信息：GGCN：基于GPU的高光谱图像分类算法》2020.10.25
- 《表1 算法伪代码：GGCN：基于GPU的高光谱图像分类算法》2020.10.25
- 《表5 不同方法分类精度：基于三维残差网络和虚拟样本的高光谱图像分类方法研究》2020.06.15
- 《表4 卷积神经网络结构：基于流形光谱降维和深度学习的高光谱影像分类》2020.03.01
- 《表1 基于深度学习的乳腺病理图像分类方法总结》2020.07.01
- 《表1 畸变校正方法评估：基于畸变校正的高光谱偏振图像配准方法》2020.07.25
- 《表2 评估结果/像素：基于畸变校正的高光谱偏振图像配准方法》2020.07.25
- 《表4 多标签算法对比：多标签高光谱图像地物分类》2020.03.16
- 《表1 不同算法的高光谱图像分类性能指标》2020.03.01
- 《表1 实验参数设置：基于分层引导滤波与最近邻正则化子空间的高光谱图像分类》2020.04.01
- 《表2 性能评价参数：基于高光谱图像分割的固态发酵中不同杆菌的识别方法》2019.09.20
- 《表1 模型评估结果：基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法》2019.02.25
- 《表1 各算法在Indian Pines高光谱图像上的分类对比》2019.07.01
- 《表1 常用于高光谱影像分类的深度学习模型的隐藏层数Tab.1 Hidden layer number of deep learning model commonly used for hyperspectral image classifi》2019.01.01
- 《表3 CNN网络模型：基于深度学习的图像分类方法》2018.06.06
- 《表1 不同方法的高光谱图像SR重构结果比较》2019.11.10