《表3 分类正确率对比结果表》

  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

《基于Multi-CNN空间特征提取的高光谱遥感影像分类》

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

本实验主要对本文所提出的基于Multi-CNN空间特征提取的高光谱遥感影像分类模型和目前主要的分类模型在分类正确率方面进行对比，从而验证本文所提出的分类模型的分类效果。参与对比的模型有：（1）两层全连接神经网络（两层NN) ，（2） 包含一个隐含层的全连接神经网络（三层NN) ，（3） LeNet-5卷积神经网络模型，（4）基于RBF核函数的SVM分类器，（5）多样化的深度置信网络（D-DBN) ，（6） 浅层卷积神经网络（Shallower CNN）。分类结果如表3所示，从表3可以看出，两层NN、三层NN以及RBF-SVM的分类正确率均在88%以下，这是由于这几种分类模型的层数较少，无法提取出高光谱遥感影像的深层次特征所造成的。随着分类模型层数的逐渐曾多，LeNet-5、Shallower CNN和D-DBN的分类效果明显好于浅层神经网络，分类正确率均在90%左右。本文所提出的基于Multi-CNN空间特征提取的高光谱遥感影像分类模型，由于从不同尺度提取了高光谱遥感影像的空间特征，因此分类效果明显好于其他几种分类器，分类正确率达到了92.31%。通过该实验可以看出本文所提出的基于Multi-CNN空间特征提取的高光谱遥感影像分类模型在分类正确率方面优于其他常见分类器。