《表5 本文方法与经典方法的比较》
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。
图表编号 | XD0052903800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.20 |
作者 | 杨珂、李从敏、周维勋、程起敏、任应超 |
绘制单位 | 武汉大学测绘遥感信息工程国家重点实验室、武汉大学测绘遥感信息工程国家重点实验室、武汉大学测绘遥感信息工程国家重点实验室、华中科技大学电子信息与通信学院、中国科学院遥感与数字地球研究所遥感科学国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |