and 1, 2 are the means and C1, C2

and 1, 2 are the means and C1, C2 the covariance matrices for
two classes, 1 and 2 (Ferro and Warner, 2002). Compared to the
Bhattacharyya distance, the Jeffreys–Matusita distance has a finite
dynamic range. This characteristic allows for easier comparison of
class separability between images.
For JM, we used the SEATH tool (Nussbaum et al., 2006; Marpu
et al., 2008) due to its compatibility with eCognition’s exported
object statistics. Based on the input sample data, a probability
distribution for each class is estimated based on the means and variances
of the two classes in question. The thresholds are determined
by fitting a Gaussian probability mixture model to the frequency
distribution of a feature for the two classes (Nussbaum et al., 2006).
The class separation between two classes for each feature is measured
on a scale of 0–2, with 2 indicating complete separability.
SEATH calculates the class separability and threshold for every feature
and two-class combination and outputs individual text files for
each two-class comparison. The data were compiled to determine
the largest average JMdist (meaning the average of all two-class
combinations) for every possible 4–10 feature combination. Combinations
with fewer features always had lower average JMdist values
than combinations with more features, and selecting the lowest
average JMdist from the seven candidates (best 4 features through
best 10 features) would not have been appropriate. Therefore, we
selected the feature combination that resulted in the largest JMdist
for the least separable pair of classes, a common strategy in feature
selection when multiple classes have to be considered (Swain and
Davis, 1978).
For CTA, we used CART® software (Salford Systems) which outputs
decision trees based on the algorithm developed by Breiman
et al. (1984). CTA is a nonparametric statistical technique, whereby
a dataset is successively split into increasingly homogenous subsets.
At each node in the tree, the splitting rule is defined by the
Gini index, a measure of heterogeneity. The Gini index at node t is
defined as
g(t)
=

p(j)p(i) (3)
where p(j) and p(i) are the probability of class j and i at node t, with
a range of g(t) from 0 to 1 (Steinberg and Colla, 1997). To prevent
overfitting of the tree, splitting was stopped when a terminal node
had less than ten classes. The optimal tree was determined by 10-
fold cross validation. The selection of optimum features and the
ranking was based on the variable importance scores of the primary
splitters in the decision tree. The scores reflect the contribution of
each feature in predicting the output class, with scores ranging from
0 to 100 (Steinberg and Colla, 1997).
FSO is a tool available in eCognition and it calculates an optimum
feature combination based on class samples. FSO evaluates
the Euclidean distance in feature space between the samples of all
classes and selects a feature combination resulting in the best class
separation distance, which is defined as the largest of the minimum
distances between the least separable classes (Definiens, 2009).
The broad vegetation class from the initial rule-based classification
was further refined into species-level classes using a nearest

ผลลัพธ์ (ไทย) 1:

และ 1, 2 จะหมายถึงและ C1, C2 เมทริกซ์ความแปรปรวนสำหรับชั้น 2, 1 และ 2 (Ferro และวอร์เนอร์ 2002) เมื่อเทียบกับการBhattacharyya ระยะทาง ระยะทาง Jeffreys – Matusita มีจำกัดช่วงไดนามิก ลักษณะนี้ช่วยให้สำหรับการเปรียบเทียบง่ายขึ้นseparability ชั้นระหว่างภาพสำหรับ JM เราใช้เครื่องมือ SEATH (Nussbaum et al. 2006 Marpuet al. 2008) เนื่องจากการเข้ากันได้กับ eCognition ของส่งออกสถิติของวัตถุ อิงจากข้อมูลตัวอย่างการป้อนข้อมูล ความน่าเป็นการแจกจ่ายสำหรับแต่ละชั้นประมาณตามวิธีการและผลต่างเรียนสองที่สอบถาม เกณฑ์ที่กำหนดโดยแบบจำลองผสมนที่น่าเป็นความถี่ที่การกระจายของคุณสมบัติสำหรับคลาสที่สอง (Nussbaum et al. 2006)การแยกชั้นระหว่างชั้นสองสำหรับแต่ละคุณลักษณะที่จะวัดในระดับ 0 – 2, 2 แสดง separability สมบูรณ์SEATH คำนวณ separability คลาและขีดจำกัดสำหรับทุกคุณลักษณะและสองชั้นรวมและผลแต่ละแฟ้มข้อความสำหรับแต่ละการเปรียบเทียบสองชั้น มีการรวบรวมข้อมูลเพื่อตรวจสอบJMdist เฉลี่ยใหญ่ที่สุด (หมายถึง ค่าเฉลี่ยของทั้งสองระดับชุด) สำหรับชุดคุณลักษณะได้ 4 – 10 ชุดมีคุณสมบัติน้อยกว่ามักจะมีค่า JMdist เฉลี่ยต่ำกว่าชุดเพิ่มเติม และเลือกต่ำที่สุดเฉลี่ย JMdist จากผู้สมัคร (ที่ดีที่สุด 4 คุณสมบัติผ่านเซเว่นคุณลักษณะ 10 สุด) จะไม่ได้รับที่เหมาะสม ดังนั้น เราเลือกการรวมคุณลักษณะที่ทำให้เกิด JMdist ที่ใหญ่ที่สุดสำหรับคู่ separable น้อยของชั้นเรียน กลยุทธ์ที่พบบ่อยในคุณลักษณะเลือกเมื่อมีหลายชั้นได้รับการพิจารณา (Swain และเดวิส 1978)สำหรับ CTA เราใช้ซอฟต์แวร์ CART® (ระบบ Salford) ซึ่งให้ผลผลิตต้นไม้ตัดสินใจตามอัลกอริทึมที่พัฒนาขึ้น โดย Breimanet al. (1984) CTA เป็นเทคนิคทางสถิติ nonparametric โดยชุดข้อมูลอย่างต่อเนื่องแบ่งย่อยเป็นเนื้อเดียวกันมากขึ้นที่แต่ละโหนดในทรี กำหนดกฎการแยกโดยการดัชนี Gini วัด heterogeneity ดัชนี Gini ที่โหนอยู่กำหนดเป็นg(t)=p(j)p(i) (3)ที่ p(j) และ p(i) มีความน่าเป็นของชั้น j และ i ที่โหน tหลากหลาย g(t) จาก 0 เป็น 1 (Steinberg และ Colla, 1997) เพื่อป้องกันไม่ให้overfitting ของต้นไม้ การแยกหยุดเมื่อโหนเทอร์มินัลมีน้อยกว่าสิบชั้น กำหนดต้นไม้ที่เหมาะสม โดย 10-พับข้ามตรวจสอบ การเลือกคุณสมบัติที่เหมาะสมและจัดอันดับตามคะแนนตัวแปรสำคัญของหลักตัวแยกในแผนภูมิการตัดสินใจ คะแนนการสอบของแต่ละคุณลักษณะในการทำนายระดับผลผลิต มีคะแนนตั้งแต่0 ถึง 100 (Steinberg และ Colla, 1997)FSO คือ เครื่องมือที่มีอยู่ใน eCognition และโปรแกรมคำนวณที่สุดคุณลักษณะรวมที่อิงตัวอย่างคลาส ประเมิน FSOระยะทางแบบยุคลิดในคุณลักษณะว่างระหว่างตัวอย่างทั้งหมดเรียน และเลือกการผสมกันของคุณลักษณะในระดับที่ดีที่สุดระยะห่าง ว่าเป็นใหญ่ที่สุดของขั้นต่ำระยะทางระหว่างเรียน separable น้อย (Definiens, 2009)ชั้นกว้างพืชจากการจัดประเภทตามกฎเริ่มต้นแก้ไขเพิ่มเติมกลั่นเป็นชนชั้นระดับชนิดใช้ใกล้ที่สุด

ผลลัพธ์ (ไทย) 2:

และ? 1? 2 วิธีการและ C1, C2 เมทริกซ์ความแปรปรวนสำหรับ
สองชั้นที่ 1 และ 2 (Ferro และวอร์เนอร์, 2002) เมื่อเทียบกับ
ระยะทาง Bhattacharyya ระยะฟรีย์-Matusita มี จำกัด
ช่วงแบบไดนามิก ลักษณะนี้จะช่วยให้เปรียบเทียบได้ง่ายขึ้น
. แยกชั้นระหว่างภาพ
สำหรับ JM เราใช้เครื่องมือ SEATH (Nussbaum et al, 2006;. Marpu
. et al, 2008) เนื่องจากการเข้ากันได้กับ eCognition ของการส่งออก
สถิติวัตถุ บนพื้นฐานของข้อมูลตัวอย่างการป้อนข้อมูลความน่าจะ
กระจายสำหรับแต่ละชั้นประมาณขึ้นอยู่กับวิธีการและความแปรปรวน
ของสองชั้นในคำถาม เกณฑ์ที่จะถูกกำหนด
โดยการปรับรูปแบบการผสมความน่าจะเป็นเสียนความถี่
การกระจายของคุณลักษณะสำหรับสองชั้น (Nussbaum et al., 2006).
การแยกชั้นระหว่างสองชั้นสำหรับคุณลักษณะแต่ละวัด
โย 0-2 ที่ มี 2 แสดงให้เห็นแยกสมบูรณ์.
SEATH คำนวณแยกชั้นเรียนและเกณฑ์สำหรับทุกคุณลักษณะ
และสองชั้นรวมกันและผลไฟล์ข้อความส่วนบุคคลสำหรับ
การเปรียบเทียบกันสองชั้น ข้อมูลที่ถูกรวบรวมเพื่อตรวจสอบ
JMdist เฉลี่ยที่ใหญ่ที่สุด (หมายถึงค่าเฉลี่ยของทุกสองชั้นที่
อยู่รวมกัน) สำหรับการรวมกัน 4-10 ทุกคุณลักษณะที่เป็นไปได้ รวมกัน
ที่มีคุณสมบัติที่น้อยลงมักจะมีค่าต่ำลง JMdist เฉลี่ย
กว่าชุดที่มีคุณสมบัติมากขึ้นและการเลือกต่ำสุด
JMdist เฉลี่ยจากผู้สมัครที่เจ็ด (ที่ดีที่สุด 4 คุณสมบัติผ่าน
ดีที่สุด 10 คุณลักษณะ) จะไม่ได้รับความเหมาะสม ดังนั้นเราจึง
เลือกการผสมผสานคุณลักษณะที่ส่งผลให้ JMdist ที่ใหญ่ที่สุด
สำหรับคู่แยกกันไม่ออกน้อยที่สุดของการเรียนกลยุทธ์ร่วมกันในลักษณะ
เลือกเมื่อหลายชั้นเรียนต้องได้รับการพิจารณา (คู่รักและ
เดวิส, 1978).
สำหรับ CTA เราใช้ซอฟแวร์CART® (Salford ระบบ) ซึ่งเอาท์พุท
ต้นไม้ตัดสินใจบนพื้นฐานของอัลกอริทึมที่พัฒนาโดย Breiman
et al, (1984) CTA เป็นเทคนิคทางสถิติไม่อิงพารามิเตอร์โดย
ชุดข้อมูลจะถูกแบ่งออกเป็นส่วนย่อยอย่างต่อเนื่องเป็นเนื้อเดียวกันมากขึ้น.
ในแต่ละโหนดในต้นไม้กฎแยกจะถูกกำหนดโดย
ดัชนี Gini, ตัวชี้วัดของความแตกต่าง ดัชนี Gini ที่โหนด T จะ
กำหนดเป็น
กรัม (t)
=
?
P (ญ) P (i) (3)
ที่ P (ญ) และ P (i) น่าจะเป็นของชั้น J และฉันที่โหนด T กับ
ช่วงของ G (T) 0-1 (Steinberg และ Colla, 1997) เพื่อป้องกันไม่ให้
อิงของต้นไม้ที่แยกได้หยุดเมื่อโหนดขั้ว
มีน้อยกว่าสิบชั้นเรียน ต้นไม้ที่เหมาะสมถูกกำหนดโดย 10-
การตรวจสอบข้ามพับ การเลือกของคุณสมบัติที่เหมาะสมและ
การจัดอันดับอยู่บนพื้นฐานของคะแนนความสำคัญของตัวแปรหลัก
แยกในต้นไม้ตัดสินใจ คะแนนสะท้อนให้เห็นถึงผลงานของ
แต่ละคุณลักษณะในการทำนายระดับการส่งออกที่มีคะแนนตั้งแต่
0 ที่จะ 100 (ต่อ Steinberg และ Colla, 1997).
FSO เป็นเครื่องมือที่มีอยู่ใน eCognition และคำนวณที่เหมาะสม
รวมกันคุณลักษณะตามตัวอย่างระดับ FSO ประเมิน
ระยะทางแบบยุคลิดในพื้นที่คุณลักษณะระหว่างตัวอย่างของทุก
ชั้นเรียนและเลือกการผสมผสานคุณลักษณะผลในระดับที่ดีที่สุด
ระยะทางแยกซึ่งถูกกำหนดให้เป็นที่ใหญ่ที่สุดของขั้นต่ำ
ระยะทางระหว่างเรียนแยกกันไม่ออกน้อย (Definiens 2009).
กว้าง ระดับพืชจากการจัดหมวดหมู่ตามกฎเริ่มต้น
ถูกขัดเกลาต่อไปในชั้นเรียนระดับสายพันธุ์โดยใช้ที่อยู่ใกล้ที่สุด

ผลลัพธ์ (ไทย) 3:

1 และ 2 เป็นค่าเฉลี่ยและความแปรปรวนร่วม C1 , C2 สำหรับสองกลุ่มที่ 1 และ 2 ( โร และ วอร์เนอร์ , 2002 ) เมื่อเทียบกับbhattacharyya ระยะทาง เจฟฟรี่ – matusita ระยะทางมีจำกัดช่วงแบบไดนามิก คุณลักษณะนี้ช่วยให้ง่ายสำหรับการเปรียบเทียบของเรียนการแยกออกระหว่างภาพสำหรับ JM , เราใช้เครื่องมือ seath ( นัสเบาม์ et al . , 2006 ; marpuet al . , 2008 ) เนื่องจากความเข้ากันได้กับ ecognition ของส่งออกสถิติของวัตถุ ตามข้อมูล ตัวอย่างข้อมูล ความน่าจะเป็นการกระจายแต่ละชั้นเรียนจะประมาณการตามค่าเฉลี่ยและความแปรปรวนของทั้งสองวิชาในคำถาม ธรณีประตูมุ่งมั่นโดยการปรับส่วนผสม ) ความน่าจะเป็นแบบความถี่การกระจายของคุณลักษณะสำหรับสองชั้น ( นัสเบาม์ et al . , 2006 )การแบ่งชั้นระหว่างสองกลุ่มแต่ละคุณลักษณะคือวัดในระดับ 1 และ 2 กับ 2 แสดงแยกออกจากกันได้สมบูรณ์seath คำนวณเกณฑ์คุณสมบัติทุกชั้นแยกออกจากกันได้ และและสองห้องรวมกัน และผลผลิตแต่ละข้อความไฟล์สำหรับแต่ละชั้นเรียนเปรียบเทียบ ข้อมูลที่ถูกรวบรวมเพื่อตรวจสอบที่ใหญ่ที่สุด ( หมายถึง jmdist เฉลี่ยเฉลี่ยทั้งหมด 2 ห้องชุด ) สำหรับทุกๆ 4 – 10 คุณลักษณะการรวมกัน ชุดด้วยคุณสมบัติที่น้อยลงก็มีค่าเฉลี่ย jmdist ค่ากว่าชุด ด้วยคุณลักษณะเพิ่มเติมและเลือก ถูกที่สุดเฉลี่ย jmdist จากเจ็ดผู้สมัครที่ดีที่สุด ( 4 คุณสมบัติผ่าน10 คุณลักษณะที่ดีที่สุด ) จะไม่ได้รับที่เหมาะสม ดังนั้นเราจึงเลือกคุณสมบัติการรวมกันที่ส่งผล jmdist ที่ใหญ่ที่สุดสำหรับคู่ก็แยกกันเรียน กลยุทธ์ทั่วไปในคุณลักษณะเลือกเวลาเรียนหลายที่ต้องพิจารณา ( สเวนและเดวิส , 1978 )สำหรับเรา เราใช้ซอฟต์แวร์รถเข็น® ( Salford ระบบ ) ซึ่งผลผลิตต้นไม้การตัดสินใจขึ้นอยู่กับขั้นตอนวิธีที่พัฒนาโดย breimanet al . ( 1984 ) เราเป็นอิสระสถิติ โดยชุดข้อมูลเป็นเนื้อเดียวกันมากขึ้นอย่างต่อเนื่องแบ่งออกเป็นส่วนย่อย .ในแต่ละโหนดในต้นไม้ แบ่งการปกครองเป็น กําหนดโดยดัชนีจีนี การวัดที่สามารถ . ดัชนี Gini ที่โหนด T คือหมายถึงg ( t )=P ( J ) p ( i ) ( 3 )ที่ P ( J ) และ P ( I ) ความน่าจะเป็นของชั้นเรียนและที่โหนด J T กับช่วงของ G ( t ) 0 - 1 ( Steinberg และ คอลลา , 1997 ) เพื่อป้องกันoverfitting ของต้นไม้ที่แยก หยุดลงเมื่อปลายโหนดมีเวลาน้อยกว่าสิบชั้น . ต้นไม้ที่ถูกกำหนดโดย 10 -โฟลด การเลือกคุณสมบัติที่เหมาะสม และการจัดอันดับขึ้นอยู่กับตัวแปรสำคัญของคะแนนหลักแยกในต้นไม้ตัดสินใจ คะแนนสะท้อนผลงานของแต่ละคุณลักษณะในการประมาณการผลผลิตระดับคะแนนตั้งแต่0 ถึง 100 ( สไตน์เบิร์ก และคอลลา , 1997 )ในปีพ.ศ. 2543 เป็นเครื่องมือที่ใช้ได้ใน ecognition และคํานวณปริมาณรวมคุณลักษณะตามจำนวนชั้น FSO ประเมินที่ระยะทางแบบยุคลิดในคุณลักษณะพื้นที่ระหว่างตัวอย่างทั้งหมดชั้นเรียนและเลือกคุณลักษณะการรวมกันเป็นผลในระดับที่ดีที่สุดระยะทางแยก ซึ่งหมายถึง ที่ใหญ่ที่สุดของขั้นต่ำระยะทางระหว่างเรียนอย่างน้อยแยกกัน ( ส่งมอบ , 2009 )กว้างจากการจำแนกพืชเรียนกฎเบื้องต้นคือการกลั่นต่อไปในระดับคลาสชนิดใช้ที่ใกล้ที่สุด