《表4 不同方法对高尔夫球场遥感影像分类精度对比》
注:加粗字体表示各列最优结果。
同时,实验结果发现,深度学习方法在城市绿地遥感影像分类过程中具有一定的容错能力。在标签数据制作时,由于人工目视解译费时费力,难免存在误判现象,样本的选取不能保证百分之百正确。图10展示了深度学习样本的容错性。可以看出,第1行影像中的落叶树在目视解译时出现混淆像元,U-Net+的预测结果排除了这部分错误信息,预测结果更加接近真实地物;第2行影像中的道路周边零散分布的常绿树在目视解译时未采集,但U-Net+模型的预测结果却得到了有效表达,说明深度学习模型对训练样本具有较强的容错能力,通过对大量标签数据训练学习,能够像人脑一样“去伪存真”,有效减少误差的影响,提高识别能力。
图表编号 | XD00216449000 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.16 |
作者 | 徐知宇、周艺、王世新、王丽涛、王振庆 |
绘制单位 | 中国科学院空天信息创新研究院、中国科学院大学、中国科学院空天信息创新研究院、中国科学院空天信息创新研究院、中国科学院空天信息创新研究院、中国科学院空天信息创新研究院、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |