《表3 各设施农业典型地物识别算法精度实验对比》
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
《设施农业典型地物改进Faster R-CNN识别方法》
(%)
现将传统的SIFT+SVM算法、基于CNN的较浅层的分类网络AlexNet[5]、基于VGG-16的Faster R-CNN算法以及DRTOMA算法进行对比分析,各TOMA算法精度对比如表3所示。3种深度学习算法的训练过程如图8所示。设置深度学习类检测算法的训练学习率为0.0004,上文所述硬件环境下训练约152 h,DRTOMA算法模型收敛。部分DRTO-MA识别结果如图9所示,图中TOMA_1到TOMA_4分别对应塑料大棚、地膜、连栋温室、日光温室。结合实际考察,DRTOMA算法较准确的识别和区分图9中的4类TOMA。
图表编号 | XD0086039900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.25 |
作者 | 王兴、康俊锋、刘学军、王美珍、张超 |
绘制单位 | 南京师范大学虚拟地理环境教育部重点实验室、江苏省地理信息资源开发与利用协同创新中心、江苏省地理环境演化国家重点实验室培育建设点、江西理工大学建筑与测绘工程学院、南京师范大学虚拟地理环境教育部重点实验室、江苏省地理信息资源开发与利用协同创新中心、江苏省地理环境演化国家重点实验室培育建设点、南京师范大学虚拟地理环境教育部重点实验室、江苏省地理信息资源开发与利用协同创新中心、江苏省地理环境演化国家重点实验室培育建设点、江西理工大学建筑与测绘工程学院 |
更多格式 | 高清、无水印(增值服务) |