《表2 JMCNN与其他方法的识别率对比Tab.2 Comparison of accuracy using different model》

  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

《高分辨率遥感影像场景的多尺度神经网络分类法》

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

表2显示了JMCNN与其他方法的对比结果。JMCNN和CNN的样本大小均为2100*0.8张，输入数据为图像本身，均为高效的端对端网络模型。JMCNN的识别率高于CNN25.03%。SVM+LDA[21]和SAE[22]均将数据增广了20倍，其识别率结果比JMCNN分别低了9.03%和6.58%。MeanStd-SIFT+LDA-H[17]通过多种人工设计特征提取融合和聚类的方法，识别率提高到84.98%，仍低于JMCNN约5%。PSR[20]结合BOW特征和金字塔空间关系模型获得了第二高的识别率89.0%，然而其模型训练复杂度高，模型难以泛化使用。RF（Random forest，RF）[23]采用随机森林对SIFT特征进行分类，在相同训练集下的识别率为69.5%。对比结果表明，JMCNN通过端对端训练模式，在不需要任何人工设计特征表达以及数据增广的情况下，识别率均高于其他方法。