《表7 不同算法在Pavia大学数据集的分类结果Tab.7 The classification results with different methods on the University of

  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

《联合空-谱信息的高光谱影像深度三维卷积网络分类》

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

（%）

图5—7给出了不同数据集上不同算法的分类图，Res-3D-CNN分类噪声相比于其他方法更少，获得了最好的分类效果。事实上，图5—7的结果与表7—9的结果是一致的。虽然Res-3D-CNN在OA、AA和Kappa系数上相比于其他方法均有明显提高。但对于不同数据集中易于区分的地物类别，Res-3D-CNN分类效果与其他方法相当。如Pavia大学数据集中的第4、5、9类地物，Indian Pines数据集中的4、5、9类地物，Salinas数据集中的除了第8和15类的其他地物类别，这些地物类别的特征与其他地物类别之间区分较为明显，即使使用SVM对光谱特征进行分类也能取得很好的分类效果。Res-3D-CNN对于特征相近容易误分的地物类别的分类精度提升较为明显，因此能改善总体分类效果。