接下来，本研究通过两组实验测试MCLU-MS主动学习分类算法的通用性。第一组实验中进行事件迁移测试，测试芦山震区的训练结果是否适用于汶川汉王镇震区中的场景分类。实验过程包括：首先利用芦山震区中的样本训练SVM分类器得到相应的训练参数，然后利用汶川汉王镇震区Site C-1中的样本进行测试，得到总体分类精度仅为10%，如图3.17（a）所示。在此基础上，分别采用MCLU-MS算法和随机采样策略在Site C-1中选择新的样本，对训练样本进行扩增，重新训练SVM分类器并进行点云分类测试。结果表明：
（1）增加新的训练样本后，分类精度显著提高。
（2）最开始阶段采用随机采样策略较MCLU-MS算法得到的分类精度高，随着采样数量的增加MCLU-MS算法的分类精度迅速提高，并在采集了少量样本后先于随机采样策略达到收敛。
图3.17 基于事件迁移和场景迁移的灾场点云分类精度（汶川汉王镇震区）
（a）事件迁移；（b）场景迁移
在第二组实验中进行场景迁移测试，如测试某次地震事件中，不同灾区之间的训练结果是否具有适用性。在本次实验中，我们选用汶川汉王镇震区的两个不同的区域（命名为Site C-1和Site C-2）重复上述迁移实验。首先利用Site C-1中的样本训练SVM分类器得到相应的训练参数，然后利用Site C-2中的样本进行测试；在此基础上，分别采用MCLU-MS算法和随机采样策略在Site C-2中选择新的样本，对训练样本进行扩增，重新训练SVM分类器并进行点云分类测试，如图3.17（b）所示，该组实验的结果与第一组实验结果类似。区别在于该组实验中场景迁移后的初始分类精度较事件迁移实验中的初始分类精度高，总体精度达71.48%。(www.xing528.com)
基于上述两组实验，本研究得到了上述两个场景的分类结果，如图3.18（a）（c）所示。从图3.18中发现，上述分类图中存在大量的椒盐噪声，而经过CRF优化后，椒盐噪声现象明显改善，详见图3.18（b）和图3.18（d）。此外，在图3.18（b）中，地面和屋顶类型错分的情况得到了彻底解决。综合上述研究结果得到初步结论：
（1）本研究方法具有一定的事件迁移和场景迁移能力。
（2）结合上下文信息对优化分类结果具有一定的促进作用。
图3.18 基于迁移学习的灾场点云分类结果（汶川汉王镇震区）
（a）（c）基于点特征的初始分类结果；（b）（d）条件随机场优化后的结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
