《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》
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。
图表编号 | XD00204472400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.25 |
作者 | 沈瑜、苑玉彬、彭静、陈小朋、杨倩 |
绘制单位 | 兰州交通大学电子与信息工程学院、兰州交通大学电子与信息工程学院、兰州交通大学电子与信息工程学院、兰州交通大学电子与信息工程学院、兰州交通大学电子与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |