《表2 JMCNN与其他方法的识别率对比Tab.2 Comparison of accuracy using different model》
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。
图表编号 | XD008250000 严禁用于非法目的 |
---|---|
绘制时间 | 2018.05.01 |
作者 | 郑卓、方芳、刘袁缘、龚希、郭明强、罗忠文 |
绘制单位 | 中国地质大学(武汉)信息工程学院、武汉大学测绘遥感信息工程国家重点实验室、中国地质大学(武汉)信息工程学院、中国地质大学(武汉)信息工程学院、中国地质大学(武汉)信息工程学院、中国地质大学(武汉)信息工程学院、中国地质大学(武汉)信息工程学院 |
更多格式 | 高清、无水印(增值服务) |