《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》

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。