Assessing the statistical features

Assessing the statistical features of a remote sensing data set is a fundamental task in a lot of data analysis.For example, in the image clustering method, we often need to estimate the statistical similarity measure [1]; In many classification algorithms, we need spatial statistics-based expressions to create the decision boundary between various classes [2]; In researching of end member detection, we also need to consider the spatial distribution of end members[3],[4]using the statistical characteristics of the data set. For big data, we often estimate a vector of model parameters given a training data set. Such statistical feature estimation provides us far more information than a simple inquiry and can be used to improve human interpretation of inferential outputs, do bias correction, perform hypothesis testing, make more efficient use of available resources, perform active learning, and optimize feature selection, among many more potential uses. There are a large number of studies that focus on the statistical features of big data sets[5]–[11].However,in many remote sensing applications related to big data sets, we often do not directly assess their statistical features. In order to manifest some of the statistical character is tics of the data sets, we often represent them based on some transforms. How to represent big data sets is one of the fundamental problems in researching big data,as most data processing tasks rely on an appropriate data representation. For many image processing tasks, the wavelet transform [12] of the data is the preferred transform. For remote sensing big data, multi-resolution representation by wave let transform is more and more important for many algorithms such as image segmentation[13],image de-noising [14], image restoration [15], image fusion [16], change detection [17], feature extraction [18], and image interpretation.Therefore,the estimation of statistical features of big data in the wave let transform domain is one of the most important problems.

ผลลัพธ์ (ไทย) 1:

ประเมินคุณสมบัติทางสถิติของชุดข้อมูลตรวจจับระยะไกลงานพื้นฐานในการวิเคราะห์ข้อมูลจำนวนมาก ตัวอย่างเช่น ในรูปแบบคลัสเตอร์วิธี เรามักจะต้องประเมินวัดความคล้ายคลึงทางสถิติ [1]; ในอัลกอริทึม classification จำนวนมาก เราต้องเชิงพื้นที่สถิติใช้นิพจน์เพื่อสร้างขอบเขตการตัดสินใจระหว่างชั้นต่าง ๆ [2]; ในการวิจัยของการสิ้นสุดสมาชิกตรวจสอบ เรายังต้องพิจารณาการกระจายสิ้นสมาชิก [3], [4] โดยใช้ลักษณะทางสถิติของข้อมูลเชิงพื้นที่ สำหรับข้อมูล เรามักประเมินเวกเตอร์ของพารามิเตอร์รุ่นรับชุดข้อมูลฝึกอบรม การประเมินคุณลักษณะทางสถิติดังกล่าวให้เราได้ข้อมูลมากขึ้นกว่าการสอบถามอย่างง่าย และสามารถใช้การปรับปรุงมนุษย์ตีความผลครับ อคติการแก้ไข ทำการทดสอบสมมติฐาน ตรวจเพิ่มเติมประสิทธิผลใช้ทรัพยากรที่มีอยู่ ทำการเรียนรู้ และปรับเลือกคุณลักษณะ ในหมู่จำนวนมากใช้มากขึ้น มีจำนวนมากของการศึกษาที่เน้นคุณสมบัติทางสถิติของข้อมูลชุดใหญ่ [5] – [11] อย่างไรก็ตาม ระยะไกลตรวจจับงานที่เกี่ยวข้องกับชุดข้อมูลขนาดใหญ่ เรามักจะไม่ตรงประเมินคุณสมบัติทางสถิติ การแสดงรายการของตัวสถิติเป็น tics ชุดข้อมูล เรามักจะเป็นตัวแทนสามารถใช้แปลงบาง วิธีการแสดงชุดข้อมูลขนาดใหญ่เป็นหนึ่งในปัญหาพื้นฐานในการค้นหาข้อมูล เป็นงานประมวลผลข้อมูลส่วนใหญ่พึ่งพาการแสดงข้อมูลที่เหมาะสม สำหรับงานต่าง ๆ ในการประมวลผลภาพ แปลง wavelet [12] ของข้อมูลเป็นการแปลงที่ต้องการ สำหรับข้อมูลขนาดใหญ่ตรวจจับระยะไกล แสดงหลายละเอียด โดยคลื่นให้แปลงเป็นสิ่งสำคัญมากหลายอัลกอริทึมเช่นแบ่งส่วนรูปภาพ [13], ภาพ de-noising [14] ภาพคืน [15], ภาพฟิวชั่น [16] เปลี่ยนตรวจสอบ [17], สกัดคุณลักษณะ [18], และการตีความภาพ ดังนั้น การประเมินคุณสมบัติทางสถิติของข้อมูลในโดเมนให้แปลงคลื่นเป็นปัญหาสำคัญอย่างใดอย่างหนึ่ง

ผลลัพธ์ (ไทย) 2:

การประเมินคุณสมบัติทางสถิติของชุดข้อมูลการสำรวจข้อมูลระยะไกลเป็นงานพื้นฐานในข้อมูลจำนวนมาก analysis.For ตัวอย่างเช่นในวิธีการจัดกลุ่มภาพที่เรามักจะต้องประเมินตัวชี้วัดที่มีความคล้ายคลึงกันทางสถิติ [1]; ในหลายขั้นตอนวิธีการจัดประเภท Fi ไอออนบวกเราต้องแสดงออกเชิงพื้นที่สถิติที่ใช้ในการสร้างขอบเขตการตัดสินใจระหว่างชั้นเรียนต่างๆ [2]; ในการวิจัยของการตรวจสอบสมาชิกสิ้นสุดเรายังต้องพิจารณาการกระจายของสมาชิกสิ้นสุด [3] [4] โดยใช้ลักษณะทางสถิติของชุดข้อมูล สำหรับข้อมูลขนาดใหญ่เรามักจะประเมินเวกเตอร์ของพารามิเตอร์แบบกำหนดชุดข้อมูลการฝึกอบรม เช่นการประมาณค่าคุณลักษณะทางสถิติให้เราข้อมูลไกลกว่าสอบถามรายละเอียดเพิ่มเติมที่เรียบง่ายและสามารถนำมาใช้ในการปรับปรุงการตีความของมนุษย์ของผลสรุปทำแก้ไขอคติดำเนินการทดสอบสมมติฐานให้ใช้ Fi ประสิทธิภาพ EF มากขึ้นของทรัพยากรที่มีอยู่ดำเนินการการเรียนรู้การใช้งานและเพิ่มประสิทธิภาพการเลือกคุณลักษณะ ในหลายความหมายมีศักยภาพมากขึ้น [11] อย่างไรก็ตามในหลาย ๆ การใช้งานระยะไกลที่เกี่ยวข้องกับชุดข้อมูลขนาดใหญ่เรามักจะไม่ได้โดยตรงประเมินคุณสมบัติทางสถิติของพวกเขา - มีจำนวนมากของการศึกษาที่มุ่งเน้นไปที่คุณสมบัติทางสถิติของชุดข้อมูลขนาดใหญ่ [5] มี เพื่อที่จะแสดงให้เห็นบางส่วนของตัวละครที่เป็นสถิติสำบัดสำนวนของชุดข้อมูลที่เรามักจะเป็นตัวแทนพวกเขาอยู่บนพื้นฐานของการแปลงบางส่วน วิธีการเป็นตัวแทนของชุดข้อมูลขนาดใหญ่เป็นหนึ่งในปัญหาพื้นฐานในการค้นคว้าข้อมูลขนาดใหญ่เป็นส่วนใหญ่งานการประมวลผลข้อมูลที่พึ่งพาการแสดงข้อมูลที่เหมาะสม สำหรับงานประมวลผลภาพหลายแปลงเวฟเล็ต [12] ของข้อมูลที่เป็นที่ต้องการเปลี่ยน สำหรับข้อมูลขนาดใหญ่ระยะไกลหลายความละเอียดการแสดงโดยคลื่นให้เปลี่ยนเป็นสิ่งสำคัญมากขึ้นสำหรับกลไกหลายอย่างเช่นการแบ่งส่วนภาพ [13] ภาพ de-noising [14] บูรณะภาพ [15], ฟิวชั่นภาพ [16] การตรวจสอบการเปลี่ยนแปลง [17] การสกัดคุณลักษณะ [18] และภาพ interpretation.Therefore การประมาณค่าของคุณสมบัติทางสถิติของข้อมูลขนาดใหญ่ในคลื่นให้เปลี่ยนโดเมนเป็นหนึ่งในปัญหาที่สำคัญที่สุด

ผลลัพธ์ (ไทย) 3:

การประเมินคุณสมบัติทางสถิติของข้อมูลระยะไกลชุดเป็นงานพื้นฐานมากของข้อมูล ตัวอย่างเช่น ในรูปเป็นวิธีที่เรามักจะต้องการที่จะประมาณการทางสถิติ คล้ายวัด [ 1 ] ; หลายขั้นตอนวิธีการถ่ายทอด classi เราต้องการพื้นที่สถิติจากการแสดงออกเพื่อสร้างการตัดสินใจเขตแดนระหว่างเรียน [ 2 ] ต่างๆ ในการวิจัยของการสิ้นสุดสมาชิก เรายังต้องพิจารณาการกระจายเชิงพื้นที่ของการสิ้นสุดสมาชิก [ 3 ] , [ 4 ] โดยใช้ลักษณะทางสถิติของข้อมูลชุด สำหรับข้อมูลใหญ่ เรามักจะประมาณพารามิเตอร์ของแบบจำลองเวกเตอร์ได้รับการฝึกอบรมชุดข้อมูล เช่นสถิติมีประมาณให้เราข้อมูลที่ไกลมากขึ้นกว่าการสอบถามอย่างง่ายและสามารถใช้เพื่อปรับปรุงการตีความของมนุษย์ออกด้วยการแก้ไขการตั้งค่าแสดงผลการทดสอบสมมติฐานให้มากขึ้นจึง cient EF ใช้ทรัพยากรที่พร้อมใช้งาน การเรียน และเพิ่มประสิทธิภาพการเลือกคุณลักษณะของอีกมากมายที่มีศักยภาพ การใช้ประโยชน์ มีจำนวนมากของการศึกษาที่เน้นคุณสมบัติทางสถิติของข้อมูลชุดใหญ่ [ 5 ] - [ 11 ] . อย่างไรก็ตาม , หลายระยะไกลโปรแกรมที่เกี่ยวข้องกับข้อมูลชุดใหญ่ เรามักจะไม่ตรงประเมินคุณสมบัติทางสถิติของพวกเขา เพื่อแสดงรายการบางอย่างของตัวละครทางสถิติคือ tics ของชุดข้อมูลที่เรามักจะเป็นตัวแทนของพวกเขาขึ้นอยู่กับบางแปลง . วิธีที่จะเป็นตัวแทนของชุดข้อมูลขนาดใหญ่เป็นหนึ่งในปัญหาพื้นฐานในการค้นคว้าข้อมูลใหญ่ งานประมวลข้อมูลส่วนใหญ่อาศัยในการแสดงข้อมูลที่เหมาะสม สำหรับงานประมวลผลภาพมากมาย , การแปลงเวฟ [ 12 ] ของข้อมูลที่ต้องการเปลี่ยน สำหรับรีโมทใหญ่ข้อมูลตรวจวัดคลื่น multi-resolution แทนโดยให้เปลี่ยนเป็นมากขึ้นและที่สำคัญมากขึ้นสำหรับขั้นตอนวิธีหลายอย่าง เช่น ภาพการแบ่งส่วน [ 13 ] ภาพ de-noising [ 14 ] , การฟื้นฟูภาพลักษณ์ [ 15 ] [ 16 ] ภาพการเปลี่ยนแปลงการตรวจสอบ [ 17 ] , [ 18 ] คุณลักษณะการสกัดและการแปลงภาพ ดังนั้น การประเมินคุณสมบัติทางสถิติของข้อมูลสำคัญในคลื่นให้เปลี่ยนโดเมนเป็นหนึ่งในปัญหาที่สำคัญที่สุด