《表3 不同方法在WHU Building Dataset测试集上的各项指标对比》
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:加粗字体表示每列最优结果。
在WHU Building Dataset上,Ra-CGAN模型与SegNet(Badrinarayanan等,2017)、RefineNet(Lin等,2017)、DeepLabv3+(Chen等,2018)、MLCA-Ksac、SiU-Net(Ji等,2019)等模型的对比如表3所示。SegNet是编码器为VGG(visual geometry group)前13层的卷积网络,解码器通过带索引的池化层还原图像尺寸。Refine Net是编码器使用远距离的残差连接,解码器使用一种链式残差池化操作。Deep Labv3+在ASPP结构中使用可分离卷积,是当前语义分割性能最好的模型之一。MLCA-Ksac是在U-Net with MLCA的基础上加入共享空洞卷积模块,从而提升多尺度目标的分割精度。Si U-Net以原始图像及其下采样图像作为并行网络的输入,并行网络的两个分支共享相同的U型网络结构与权重,然后将分支的输出串联起来作为最终输出,目前在WHU Building Dataset上取得了最优的分割结果。可以看出,Ra-CGAN在每项指标上都取得了最高精度,表明了Ra-CGAN模型的有效性。
图表编号 | XD00216448100 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) |