《表5 本文方法与经典方法的比较》

  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

《卷积神经网络多层特征联合的遥感图像检索》

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

为了进一步说明本文方法的有效性，本文方法也与目前经典的基于局部不变特征（Local Features）[26]、LSL[27]、VLAD-PQ[28]、全局形态学纹理特征（global morphological texture，GMT）[29]，利用IRMFRCAMF[30]提取的UCNN4特征，利用LDCNN[20]提取的特征，以及跨卷积层池化提取特征（CL45）[19]的图像检索方法进行了对比，结果如表5所示，可以看出本文方法检索精度最高。相比于文献[19]中利用两个连续的卷积层进行跨层池化的方法，本文提出的卷积层和全连接层跨层整合的方法，同时考虑了图像的局部和全局信息，显著提升了检索精度。IRMFRCAMF方法的ANMRR值为0.715 0，在所有比较方法中其检索结果最差，因为它是利用K-means聚类算法进行无监督学习提取的特征，学习的特征表达能力不强，难以描述复杂的遥感影像。LDCNN方法与本文提出的方法都是通过预训练的CNN得到的，但LDCNN并不是直接在UC-Merced数据集上进行训练的，而且该方法只考虑了卷积层特征，因此LDCNN的检索结果与本文方法虽然比较接近，但ANMRR值仍低于本文方法。