Pixel annotation in hyperspectral a

Pixel annotation in hyperspectral and very high resolution
(VHR) images has relied on supervised classifiers so far [1]–
[4]. However, manual selection and annotation of a sufficiently
large number of training pixels is unfeasible for very large
datasets. In order to handle large datasets, active learning
techniques have been proposed for selecting a small training
set that represents well not only all classes under annotation
but also discriminative samples on the boundary between
classes [1], [2], [5]–[8].

ผลลัพธ์ (ไทย) 1:

คำอธิบายของพิกเซลใน hyperspectral และความละเอียดสูงมากรูปภาพ (VHR) ได้อาศัยในเฉพาะ classifiers มีมาก [1] -[4] . อย่างไรก็ตาม เลือกด้วยตนเองและคำอธิบายของการ sufficientlyจำนวนพิกเซลในการฝึกอบรมจะไม่น่าเป็นสำหรับขนาดใหญ่มากdatasets ต่าง datasets ขนาดใหญ่ เรียนรู้การใช้งานเทคนิคที่ได้รับการเสนอชื่อเลือกอบรมขนาดเล็กชุดที่แสดงทั้งหมดดีไม่เพียงแต่สอนภายใต้คำอธิบายแต่ยัง discriminative อย่างในเขตแดนระหว่างเรียน [1], [2], [5] – [8]

ผลลัพธ์ (ไทย) 2:

คำอธิบายประกอบใน Hyperspectral พิกเซลและความละเอียดสูงมาก
(VHR) ภาพที่ได้อาศัยใน ERS จัดประเภทภายใต้การดูแลเพื่อให้ห่างไกล [1] -
[4] อย่างไรก็ตามการเลือกด้วยตนเองและบันทึกย่อของสาย SUF ciently
จำนวนมากของพิกเซลการฝึกอบรมทำไม่ได้มีขนาดใหญ่มากสำหรับ
ชุดข้อมูล เพื่อที่จะจัดการกับชุดข้อมูลขนาดใหญ่, การเรียนรู้
เทคนิคที่ได้รับการเสนอสำหรับการเลือกการฝึกอบรมที่มีขนาดเล็ก
ชุดที่แสดงถึงดีไม่เพียง แต่เรียนทั้งหมดภายใต้คำอธิบายประกอบ
แต่ยังจำแนกกลุ่มตัวอย่างในเขตแดนระหว่าง
เรียน [1], [2], [5] - [ 8]

ผลลัพธ์ (ไทย) 3:

หมายเหตุในพิกเซลและความละเอียดสูงมาก hyperspectral
( VHR ) ภาพที่ได้อาศัยการถ่ายทอด classi ERS เพื่อให้ห่างไกล [ 1 ] -
[ 4 ] อย่างไรก็ตาม การเลือกด้วยตนเอง และบันทึกย่อของซุฟจึง ciently
จํานวนพิกเซลการฝึกอบรมเป็นไปไม่ได้สำหรับชุดข้อมูลขนาดใหญ่
มากๆ เพื่อจัดการกับข้อมูลที่มีขนาดใหญ่ เทคนิคการเรียนรู้
ปราดเปรียวที่ได้รับการเสนอเพื่อคัดเลือก
ฝึกเล็กตั้งค่าที่แสดงดีไม่เพียง แต่เรียนทั้งหมดภายใต้การจัดการ
แต่ยังและตัวอย่างในเขตแดนระหว่าง
บทเรียน [ 1 ] , [ 2 ] , [ 5 ] - [ 8 ]