《表1 图7中每幅图像以及整个测试集上的评价结果》

  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

《含多级通道注意力机制的CGAN遥感图像建筑物分割》

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

注:加粗字体表示每行最优结果。

为了充分验证Ra-CGAN模型的分割性能，表1列出了本文方法和对比方法在图7中每幅图像以及WHU Building Dataset测试集所有图像平均的定量结果。可以看出，与其他方法相比，Ra-CGAN在每幅图像上的每种度量指标都能够达到最高，其中在测试集的平均结果上，IOU和F1-score两项指标比U-Net with MLCA高1.34%和1.15%、比U-Net with CGAN高1.22%和1.36%、比U-Net高3.75%和2.52%。另外，因为判别器的损失带来了更强的梯度信号，生成网络更新变快，由此减少了训练时间。U-Net with MLCA为21 h 42 min，Ra-CGAN为18 h4 min，两者测试时间基本相同。结合分割图和量化结果来看，Ra-CGAN模型在未增加计算开销的情况下，分割效果更好，准确率更高，表明Ra-CGAN可以提升遥感图像建筑物分割性能。