《表1 不同模型间精度评价》
由上述研究区分类结果图及不同模型间的精度差异(表1)可以看出,Segnet网络、Unet网络均能对耕地、建筑用地进行区分,且CRF结构均对两种网络的分类结果进行了较好的优化,但Segnet网络对于其他少样本地物分类精度明显不足。CRF结构对于Segnet网络的Kappa系数提高了0.062、F1-score提高了0.005,对于Unet网络的Kappa系数提高了0.018,F1-score提高了0.011。但从表1可以看出,单独使用Segnet网络分类精度较低,Kappa系数仅0.524,F1得分为0.676。使用Unet+CRF方法得到最终的Kappa系数为0.711,F1-score为0.795,与真实地物具有高度一致性。由图6~8可看出采用segnet网络得到的预测结果部分地区存在较为明显的拼接现象,整体预测效果不佳。采用Unet网络得到的预测结果图无明显拼接现象,整体效果较好。
图表编号 | XD00208506300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.25 |
作者 | 师超、姜琦刚、段富治、史鹏飞 |
绘制单位 | 吉林大学地球探测科学与技术学院、吉林大学地球探测科学与技术学院、武汉大学遥感信息工程学院、吉林大学地球探测科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |