《表1 不同模型间精度评价》

  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Unet+CRF的GF-2土地利用分类》

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

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。