《表2 不同算法精度统计情况》

  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

《深度学习语义分割方法在遥感影像分割中的性能分析》

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

（%）

通过以上实验，验证了迁移学习方式对于训练效果的提升。本文将使用迁移学习对以上3种算法进行训练，其中PSPNet算法采用ResNet-50、ResNet-101、DenseNet169以及DenseNet201网络，SegNet算法采用VGG网络，Deeplabv3+采用Xception网络，3种算法均训练150个epoch，批处理大小为8，初始学习率为0.001，每50个epoch下降为原来0.1，统计分析总体精度、平均精度以及MIoU如表3所示。从总体精度和平均精度来看，Deeplabv3+算法达到最高的总体精度89.3%及平均精度88.9%，相对于SegNet和PSPNet算法提升幅度较大，PSPNet算法中不同骨架网络精度略有不同，但总体变化幅度不大，以ResNet-101为骨架网络精度最高。从MIoU来看，Deeplabv3+算法达到最高80.4%，较SegNet和PSPNet算法提升较大。从分类别精度（AA和IoU）来看，所有类别Deeplabv3+算法均达到最高精度，SegNet算法所有类别精度均不如PSPNet算法，道路及建筑物分割由于复杂程度高于水体及植被，其精度相对于水体及植被更低。为尝试集成学习方法对结果的影响，以PSPNet算法与SegNet算法为基础，利用简单的多数投票法的方式对各模型结果进行融合[16]，获得最终结果，从表2可知，融合后的MIoU值相对于PSPNet可以提升1个百分点。