《表6 不同分类方法针对IP数据集的分类精度》

  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

《基于多尺度近端特征拼接网络的高光谱图像分类方法》

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

从图6可以看出，SVM的分类效果最差，且存在大量噪声，这是因为其为浅层模型分类方法，泛化能力差，不足以应对高光谱图像复杂的光谱空间分布。相比利用增加网络模型深度来提取更多判别特征的DCNN和Res Net，MCNN和MPFCN有更好的视觉体验，本文所提MPFCN在细节表现力上优于MCNN，它可以更加精确地对边缘像素进行分类，并展示与地物灰度图更相似的结果。表5和表6给出了不同分类方法针对IP数据集的定量分析结果和分类精度，同样可以看出，使用DCNN、Res Net、MCNN和MPFCN所获取的分类精度明显优于SVM的分类精度（OA为75.07%)，MPFCN由于更加充分地利用了各层卷积及特征图，并引入近端特征上下文联系信息，分类精度最高，OA达到98.51%。此外，表6展示了不同方法在IP数据集下的训练参数数量。