According to the principle of suppo

According to the principle of support vector machine (SVM) and the inter-class separability rule of hyperspectral
data, a novel binary tree SVM classifier based on separability measure among different classes is proposed
for hyperspectral image classification. J–M distance is used to measure the separability in order to
generate the binary tree automatically. By experiments using airborne operational modular imaging spectrometer
II (OMIS II) data, satellite EO-1 Hyperion hyperspectral data and airborne AVIRIS data, the classification
accuracy of different multi-class SVMs is obtained and compared. Experimental results indicate that
the proposed adaptive binary tree classifier outperforms other existing multi-class SVM strategies. Use of
the adaptive binary tree SVM classifier is a novel approach to improve the accuracy of hyperspectral image
classification and expand the possibilities for interpretation and application of hyperspectral remote sensing
image.

ผลลัพธ์ (ไทย) 1:

ตามหลักการของเครื่องสนับสนุนเวกเตอร์ (SVM) และกฎ separability ระหว่างชั้นของ hyperspectralข้อมูล เสนอนวนิยายต้นไม้ไบนารีลักษณนาม SVM อิง separability วัดระหว่างเรียนแตกต่างกันสำหรับการจัดประเภทภาพ hyperspectral J – M ระยะใช้วัด separability เพื่อสร้างต้นไม้ไบนารีโดยอัตโนมัติ โดยการทดลองที่ใช้อากาศในการดำเนินงานแบบแยกส่วนภาพสเปกโตรมิเตอร์ข้อมูล II (OMIS II) ดาวเทียม hyperspectral Hyperion EO-1 และอากาศ AVIRIS ข้อมูล การจัดประเภทความถูกต้องของ SVMs หลายระดับแตกต่างกันได้ และเปรียบเทียบ ผลการทดลองบ่งชี้ว่าลักษณนามต้นไม้ไบนารีปรับเสนอมีประสิทธิภาพสูงกว่ากลยุทธ์ SVM หลายชั้นอื่น ๆ ที่มีอยู่ การใช้ต้นไม้ไบนารีปรับลักษณนาม SVM เป็นวิธีการใหม่เพื่อปรับปรุงความถูกต้องของภาพ hyperspectralการจัดประเภท และขยายเพื่อตีความและการตรวจจับระยะไกล hyperspectralภาพ

ผลลัพธ์ (ไทย) 2:

ตามหลักการของเครื่องเวกเตอร์สนับสนุน (SVM) และกฎแยกได้ระหว่างเรียนของ Hyperspectral
ข้อมูลนวนิยายต้นไม้ไบนารี SVM ลักษณนามขึ้นอยู่กับมาตรการแยกในหมู่เรียนแตกต่างกันมีการเสนอ
การจัดหมวดหมู่ภาพ Hyperspectral J-M ระยะทางที่ใช้ในการวัดแยกเพื่อ
สร้างต้นไม้ไบนารีโดยอัตโนมัติ โดยการทดลองโดยใช้อากาศในการดำเนินงานการถ่ายภาพแบบแยกส่วนสเปกโตรมิเตอร์
ii (Omis II) ข้อมูลดาวเทียม EO-1 Hyperion ข้อมูล Hyperspectral และข้อมูล AVIRIS อากาศ, การจัดหมวดหมู่
ความถูกต้องของ SVMs หลายระดับที่แตกต่างกันจะได้รับและเมื่อเทียบกับ ผลการทดลองแสดงให้เห็นว่า
ข้อเสนอของการปรับตัวลักษณนามต้นไม้ไบนารีมีประสิทธิภาพดีกว่าคนอื่น ๆ ที่มีอยู่กลยุทธ์ SVM หลายระดับ ใช้
ปรับตัวไบนารีลักษณนาม SVM ต้นไม้เป็นวิธีการใหม่ในการปรับปรุงความถูกต้องของภาพ Hyperspectral
การจัดหมวดหมู่และขยายความเป็นไปได้สำหรับการตีความและการประยุกต์ใช้ Hyperspectral การสำรวจระยะไกล
ภาพ