《表6 不同分类方法针对IP数据集的分类精度》
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。
图表编号 | XD00211586500 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.25 |
作者 | 高红民、曹雪莹、陈忠昊、花再军、李臣明、陈月 |
绘制单位 | 河海大学计算机与信息学院、河海大学计算机与信息学院、河海大学计算机与信息学院、河海大学计算机与信息学院、河海大学计算机与信息学院、河海大学计算机与信息学院 |
更多格式 | 高清、无水印(增值服务) |