《表4 不同方法对高尔夫球场遥感影像分类精度对比》

  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

《面向GF-2遥感影像的U-Net城市绿地分类》

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。