《表1 NUANCE高光谱图像异常检测算法AUC值》
提示：宽带有限、当前游客访问压缩模式
为了更好地对检测结果加以说明，以AUC值评价检测结果.AUC值越接近1，说明算法性能越好[16]，各算法的AUC值如表1所示.
| 图表编号 | XD0061516400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.01.30 |
| 作者 | 马春笑、黄远程、胡荣明、张春森 |
| 绘制单位 | 西安科技大学测绘科学与技术学院、西安科技大学测绘科学与技术学院、西安科技大学测绘科学与技术学院、西安科技大学测绘科学与技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 基于作物病虫害识别的高光谱图像分类算法》2021.01.25
- 《表2 4种算法对不同异常类型下检测的AUC值》2021.01.01
- 《表2 遥感数据集信息：GGCN：基于GPU的高光谱图像分类算法》2020.10.25
- 《表1 算法伪代码：GGCN：基于GPU的高光谱图像分类算法》2020.10.25
- 《表1 基于高光谱图像的香梨表面损伤检测结果》2020.07.25
- 《表1 实验参数：基于Brovey算法的机械高光谱图像数据自动化融合技术》2020.07.25
- 《表2 参数设定：基于稀疏表示的高光谱图像解混算法研究》2020.07.25
- 《表4 多标签算法对比：多标签高光谱图像地物分类》2020.03.16
- 《表1 不同算法的高光谱图像分类性能指标》2020.03.01
- 《表6 最高识别正确率：对光照变化不敏感的微观高光谱图像木材树种识别算法研究》2020.02.01
- 《表2 图像相似度对比：对光照变化不敏感的微观高光谱图像木材树种识别算法研究》2020.02.01
- 《表1 与其它技术的高光谱图像拼接结果对比》2020.02.25
- 《表1 算法复杂度对比：基于空间约简的高光谱影像端元检测研究》2019.11.05
- 《表1 解混性能比较：基于高阶非线性模型的多目标高光谱图像解混算法》2019.10.25
- 《表1 卷积神经网络结构：基于高光谱图像和卷积神经网络的燃煤热值估计算法》2019.09.05
- 《表2 实验参数：基于高光谱图像和卷积神经网络的燃煤热值估计算法》2019.09.05
- 《表1 高光谱图像各类别及样本信息》2019.08.25
- 《表2 各算法在Pavia University高光谱图像分类对比》2019.07.01
- 《表1 各算法在Indian Pines高光谱图像上的分类对比》2019.07.01
- 《表2 回归算法结果比较：基于多模型融合的高光谱图像质量评价》2019.01.25