排序方式： 共有3条查询结果，搜索用时 31 毫秒
1
1.
针对目前精度评价尺度单一的问题,提出基于直方变差图的多尺度精度评价方法,分别在像元尺度和亚像元尺度进行土地覆盖数据集精度评价。在像元尺度利用驻点作为采样工具直接评价数据集精度;亚像元尺度上,则利用非严格定义的驻点和驻点直方变差图对不同面积和空间结构的优势类进行精度评价。并以浙江北部典型区域为实验区,Landsat TM/ETM+为参考数据,对UMD、IGBP DISCover、MOD12Q1-2001、GLC2000、GlobCover2009等5种大尺度土地覆盖数据集进行多尺度精度评价实验。结果表明,多尺度精度评价方法能够全面地评价土地覆盖数据集的精度,提供更加丰富的多尺度精度信息。像元尺度精度评价可在一定程度上消除由于参考数据与数据集间的空间匹配造成的误差,评价结果更加客观;亚像元尺度精度评价能有效反映亚像元尺度优势地物面积及空间结构与精度的关系。 相似文献
2.
针对目前利用无人机可见光影像进行城市居民区植被分类存在精度不高、效率较低的问题,该文构建一种改进的DeepLabV3+模型,选取南京市江宁A、B两处居民区无人机正射影像进行对比实验和模型迁移性能测试。实验结果表明：(1)基于改进DeepLabV3+模型的植被总体分类准确度、精确度、召回率、F1得分、平均交并比在验证集上达到95.27%、94.03%、93.55%、93.79%、84.94%,较原模型分别提高了2.36%、1.01%、2.09%、1.56%、8.71%,且参数量降低92.7%,训练用时减少25.7%;(2)在迁移性能测试中,乔木、灌木、草本分类精确度分别提高了2.88%、6.54%、2.29%。改进DeepLabV3+模型可提高城市居民区植被分类精度与效率,分类结果可为城市微尺度热环境研究提供基础数据。 相似文献
3.
优化子空间SVM集成的高光谱图像分类 总被引：2，自引：0，他引：2
随机子空间集成是很有前景的高光谱图像分类技术,子空间的多样性和单个子空间的性能与集成后的分类精度密切相关。传统方法在增强单个子空间性能的同时,往往会获得大量最优但相似的子空间,因而减小它们之间的多样性,限制集成系统的分类精度。为此,提出优化子空间SVM集成的高光谱图像分类方法。该方法采用支持向量机(SVM)作为基分类器,并通过SVM之间的模式差别对随机子空间进行k-means聚类,最后选择每类中J-M距离最大的子空间进行集成,从而实现高光谱图像分类。实验结果显示,优化子空间SVM集成的高光谱图像分类方法能够有效解决小样本情况下的Hughes效应问题;总体精度达到75%–80%,Kappa系数达到0.61–0.74;比随机子空间集成方法和随机森林方法分类精度更高、更稳定,适合高光谱图像分类。 相似文献
1