《表5 在Pavia University Scene数据集上DV-CNN与其他方法的分类结果》

  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

《提高小样本高光谱图像分类性能的变维卷积神经网络》

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

注:加粗字体表示最优结果。

本实验选择了一些用于小样本高光谱图像分类的最新方法与DV-CNN进行比较，这些方法都得到了研究者们的广泛认可。在表4和表5中列出了支持向量机（SVM）[21]、正交匹配追踪（OMP）[22]、最近邻正则化子空间分类器（NRS）[23]、CRT（collaborative representation with Tikhonov regularization）[24]、KCRT（kernel CRT）[24]和DKCRT（Discriminative KCRT）[25]的分类结果，包括了每类地物的分类精度和图像的总体精度、平均精度和κ系数，并在Indian Pines数据集和Pavia University Scene数据集上与DV-CNN进行了比较。对两组数据集进行了相同的实验，并采用了相同的比较方法，根据实验结果评价本文方法的优缺点。每个实验在不同的训练集中重复10次，并对结果进行平均，以消除随机因素对结果的影响。