《表1 各能源碳排放系数：基于深度学习的寒旱区遥感影像河流提取》

  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

《基于深度学习的寒旱区遥感影像河流提取》

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

网络测试中像素准确率变化曲线如图8所示，评价指标如表1所示。由图8和表1可知，本文所提出的R-Linknet与其他图像语义分割方法相比具有一定优势，训练过程中能够快速收敛，像素准确率较FCN＿8s、ResNet50、DeeplabV3、Unet、原始Linknet网络分别提高0.216、0.099、0.031、0.056、0.023，交并比分别提高0.190、0.142、0.056、0.105、0.028。图9～12为在数据集多种情形下的分割效果。由图可知，FCN＿8s误提了许多山体阴影、道路以及植被等，在一些含有细小河流处容易出现中断，提取结果较为杂乱；ResNet5 0和DeeplabV3相对FCN＿8s有较大提升，但同样误提了阴影、道路和植被等。Linknet的河流提取效果相对较好，降低了山体阴影、道路、植物等的干扰，但在河流边缘细节处理上较差，同时也没有避免阴影的影响。与对比网络相比，R-Linknet提取的河流信息受到道路、植被影响较小，阴影影响也没能完全避免，河流边缘细节上有了较大提升。