《表1 提取时间统计结果：基于高分影像与深度学习方法的路网提取技术研究与应用》

  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

《基于高分影像与深度学习方法的路网提取技术研究与应用》

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

我们分别以路网提取时间和图像目标检测领域常用的精度指标IoU(Intersection over Union）为评价指标定量评估本实验的路网提取效率与精度，并与传统的人工路网提取和监督分类方法进行对比。表1统计的是3种方法的路网提取时间。结果显示，对于整个会宁县来说，监督分类与WGAN两种提取方法在提取效率上较传统的人工提取方法分别提升了88%和94%，其中，WGAN模型的提取速率达到了21 min/景（2.4s/km2）。虽然监督分类与WGAN模型均依赖于大量训练样本，但由于监督分类方法对每一景待提取影像均需要制作分类样本集，而WGAN模型训练样本集可重复利用，所以监督分类的单次提取时长仍长于WGAN模型。因此，WGAN模型在路网提取效率与应用普适性上的优势更为明显。