《表2 采用全卷积神经网络与单一分类器的湿地分类精度》

  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

《采用全卷积神经网络与Stacking算法的湿地分类方法》

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

为验证不同特征下的湿地分类精度，将Seg Net、UNet、Refine Net各自提取的特征及3种卷积神经网络提取特征融合后的融合特征分别利用自适应Stacking集成算法、SVM、RF与k NN进行分类，分类精度如图5所示。与采用单一全卷积神经网络和Stacking算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了2.78，4.48与4.91个百分点。由分类精度可知，直接利用卷积神经网络模型训练与提取的特征具有较好的可分性，不论采用自适应Stacking算法，还是单一的机器学习算法可以实现较高的分类精度（总体分类精度均在80%以上），表明卷积神经网络能够提取遥感影像深层的语义特征。3种卷积神经网络模型中，Refine Net提取特征的能力要优于Seg Net、UNet，其总体分类精度与Kappa系数分别达到了85.38%与0.82。但与3种模型提取的融合特征相比（表1、表2），利用单一卷积神经网络模型提取的特征进行分类，其分类精度均要低一些。将具有差异性的特征进行融合，能够有效地提高分类精度。