《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》
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。
图表编号 | XD00216447700 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.16 |
作者 | 余帅、汪西莉 |
绘制单位 | 陕西师范大学计算机科学学院、陕西师范大学计算机科学学院 |
更多格式 | 高清、无水印(增值服务) |