Automated classification provides a

Automated classification provides an efficient and accurate way to map land cover
information classes especially highly dispersed covers such as vegetation. Researchers in remote
sensing keep improving classifiers for land cover and land use classification. Many parametric
schemes [28], where decision boundaries are found after distribution functions are estimated from
given training sets, have been presented. However, the classification results are often not
satisfactory since the estimated distribution function, which is usually Gaussian, does not
represent the actual distribution of the data. A natural alternative is SVM, a non-parametric
scheme based on the state-of-the-art statistical learning theory, to improve the classification
accuracy. SVM can also be applied to multispectral and hyperspectral images without suffering
from the “curse of high dimension”, or the so-called Hughes Effect. Remote sensing image
classification using SVM has been reported to be computationally simple and can result in better
accuracy compared to other more computationally intensive classifiers [19] – [21].

ผลลัพธ์ (ไทย) 1:

การจัดหมวดหมู่โดยอัตโนมัติให้วิธีที่มีประสิทธิภาพและถูกต้อง map ปกคลุมดิน
เรียนโดยเฉพาะอย่างยิ่งข้อมูลที่มีการกระจายตัวครอบคลุมเช่นพืชผัก นักวิจัยในการตรวจวัดระยะไกล
ให้จําแนกการปรับปรุงสำหรับสิ่งปกคลุมดินและการจำแนกการใช้ประโยชน์ที่ดิน หลายตัวแปร
แผนการ [28] ซึ่งขอบเขตของการตัดสินใจที่จะพบว่าหลังจากที่ฟังก์ชั่นการกระจายกำลังประเมินจาก
ได้รับชุดฝึกอบรมได้รับการเสนอ แต่ผลการจัดหมวดหมู่มักจะไม่เป็นที่น่าพอใจ
ตั้งแต่ฟังก์ชันการแจกแจงโดยประมาณซึ่งเป็น Gaussian มักจะไม่ได้
เป็นตัวแทนของการกระจายของข้อมูลที่เกิดขึ้นจริง เป็นทางเลือกที่เป็นธรรมชาติ SVM, ที่ไม่ใช่ตัวแปรโครงการ
บนพื้นฐานของทฤษฎีการเรียนรู้ของรัฐ-of-the-art ทางสถิติเพื่อปรับปรุงการจำแนกความถูกต้อง
SVM นอกจากนี้ยังสามารถนำไปใช้กับภาพ multispectral และ hyperspectral โดยไม่ต้องทุกข์ทรมาน
จาก "คำสาปแช่งของมิติสูง" หรือผลฮิวจ์สที่เรียกว่า ภาพระยะไกล
การจำแนกโดยใช้ SVM ได้รับรายงานจะง่ายคอมพิวเตอร์และสามารถทำให้เกิดความถูกต้อง
ดีขึ้นเมื่อเทียบกับคนอื่น ๆ มากขึ้นคอมพิวเตอร์จําแนกเข้มข้น [19] - [21]

ผลลัพธ์ (ไทย) 2:

การจัดประเภทอัตโนมัติวิธีการถูกต้อง และมีประสิทธิภาพต้องครอบคลุมที่ดิน
ข้อมูลชั้นสูงโดยเฉพาะกระจายครอบคลุมเช่นพืช นักวิจัยในพื้นที่ห่างไกล
ไร้สายให้ปรับปรุงคำนามภาษาสำหรับครอบคลุมที่ดิน และการจัดประเภทใช้ที่ดิน หลายพาราเมตริก
ร่าง [28], ซึ่งตัดสินใจขอบเขตจะพบหลังจากมีประเมินการกระจายฟังก์ชันจาก
รับชุดฝึก มีการนำเสนอ อย่างไรก็ตาม ผลการจัดประเภทมักจะไม่
พอเนื่องจากการประมาณฟังก์ชันการแจก ซึ่งเป็น Gaussian ปกติ ไม่
แสดงการกระจายของข้อมูลจริง ทางเลือกธรรมชาติมี SVM พาราไม่ใช่เมตริก
โครงร่างตามทฤษฎีเรียนรู้สถิติรัฐ-of-the-art เพื่อปรับปรุงการจัดประเภท
ความถูกต้อง SVM ยังสามารถใช้กับ multispectral และ hyperspectral ภาพไม่ทุกข์
"แช่งขนาดสูง" หรือเรียกว่าสตีเฟ่นผล ภาพไกล sensing
จัดประเภทใช้ SVM ได้ถูกรายงาน computationally ง่าย และสามารถทำให้ดีกว่า
ถูกต้องเปรียบเทียบกับคำนามอื่น ๆ มาก computationally เข้มข้นภาษา [19] – [21]

ผลลัพธ์ (ไทย) 3:

การแบ่ง ประเภท ได้โดยอัตโนมัติโดยจะให้มี ประสิทธิภาพ และวิธีที่ถูกต้องในการแผนที่ชั้นเรียนที่ฝาครอบ
ข้อมูลโดยเฉพาะได้กระจายครอบคลุมพื้นที่เช่นพันธุ์ไม้ นักวิจัยในรีโมทคอนโทรล
ซึ่งจะช่วยให้การปรับปรุง classifiers พร้อมด้วยการตรวจจับช่องเสียบสำหรับกำหนดการจำแนก ประเภท ที่ดินและที่ดินใช้ ต้องการแบบ shelving จำนวนมาก
การใช้รูปแบบการ[ 28 ]ที่มีข้อจำกัดการตัดสินใจจะพบว่าหลังจากการจัดจำหน่ายได้รับการประเมินจาก
ซึ่งจะช่วยให้ตั้งค่าการฝึกอบรมได้รับการนำเสนอ แต่ถึงอย่างไรก็ตามผลการแบ่ง ประเภท ที่ไม่ได้อยู่ในเกณฑ์ดี
ซึ่งจะช่วยประมาณการนับตั้งแต่การกระจายงานให้ซึ่งโดยปกติแล้วจะ gaussian ไม่
ซึ่งจะช่วยเป็นตัวแทนจำหน่ายจริงของข้อมูลที่ เป็นทางเลือกทางธรรมชาติที่เป็น SVM โครงสร้างไม่ต้องการแบบ shelving
ที่ใช้ทฤษฎีของรัฐที่ทันสมัยทางสถิติการเรียนรู้เพื่อปรับปรุงความถูกต้องแม่นยำ
ซึ่งจะช่วยให้การจัด ประเภทSVM สามารถใช้ได้กับ multispectral hyperspectral และ ภาพ โดยไม่ได้รับความทุกข์ทรมาน
จาก"คำสาปแช่งของขนาดสูง"หรือมีผลบังคับใช้จริงดังนั้นที่เรียกกันว่ายัง SVM โดยใช้ ภาพ รีโมทคอนโทรล
ซึ่งจะช่วยการแบ่ง ประเภท การตรวจจับช่องเสียบได้รายงานไปยังต้องเป็นแบบเรียบง่ายและสามารถส่งผลให้ใน classifiers ต้องใช้การประมวลผลขั้นสูงได้ดียิ่งขึ้น
ซึ่งจะช่วยเพิ่มความแม่นยำเมื่อเทียบกับอื่น[ 19 ] - - [ 21 ]