《表5 不同卷积核数量对应的总体分类精度Tab.5 Overall accuracy with different number of kernels (%)》
深度三维卷积网络(Res-3D-CNN)结构的设计参考了计算机视觉领域CNN设计的一般经验,即在更高的卷积层,使用更多的卷积核,例如第1个卷积层中使用8个卷积核,在第2个卷积层在使用16个卷积核。在一个残差结构中所有卷积层使用的卷积核数量相同,以确保捷径和主径特征维度相同。表5给出了不同数据集第一个卷积层使用不同数量的卷积核对应的总体分类精度。表6给出了不同数据集第一个卷积层使用不同数量的卷积核对应的训练时间。由表5—6可知,参数数量随着卷积核数量增加而增加,因此使用更多的卷积核需要更多的训练时间;但分类精度在某个数量的卷积核处达到饱和,继续增加卷积核数量,反而会加剧网络退化现象,从而导致分类精度下降。由于不同传感器获取高光谱数据的光谱维度不同,因此,不同传感器高光谱数据的最优卷积核数量也有所不同。根据表5,对于ROSIS传感器获得的Pavia大学数据最优的卷积核数为32,而对于AVIRIS传感器获得的Indian Pines和Salinas数据最优的卷积核数量为16。
图表编号 | XD0028872300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.01 |
作者 | 刘冰、余旭初、张鹏强、谭熊 |
绘制单位 | 信息工程大学、信息工程大学、信息工程大学、信息工程大学 |
更多格式 | 高清、无水印(增值服务) |
查看“表5 不同卷积核数量对应的总体分类精度Tab.5 Overall accuracy with different number of kernels (%)”的人还看了
- 表5 威布尔分布三参数不同方法估计精度对比表Tab.5 Comparison table for estimation accuracy of different methods for three-parameter Weibull di