The initial detection validation by

The initial detection validation by a classifier is
present in the literature [18, 19], however, due to
high variability of the appearance and the geometric
shape of marine vehicles, this approach is not very
explored. Bloisi et al. [19] proposed an initial
detector based on a ensemble classifier trained
offline with Haar wavelet features. The ensemble
was designed to increase the robustness of initial
detection in cases where a vessel is anchored and
when sunlight reflections or white foam are present
at the sea surface. Teutsch and Kruger [18] train a
SVM classifier with the features invariant moments,
some statistical measures such as mean and
variance, texture analysis, co-occurrence matrices
and the gradient analysis to classify vehicles in two
steps. At the first step the detected candidates are
classified into objects over the ocean or clutter. If it
is classified as an object over the ocean, the object is
classified as a marine vehicle or an irrelevant object
in the second step. Sullivan and M. Shah [31] detect
marine vehicles with the similarity value between
the result of the FFT transform applied to vehicles

ผลลัพธ์ (ไทย) 1:

เป็นการตรวจสอบการตรวจสอบเบื้องต้น โดยจำแนกเป็นปัจจุบันในวรรณคดี [18, 19], แต่ เนื่องจากการสูงความแปรปรวนของลักษณะที่ปรากฏและรูปทรงเรขาคณิตที่รูปร่างของยานพาหนะทางทะเล แนวทางนี้ไม่มากสำรวจ Bloisi et al. [19] มีการเริ่มต้นการนำเสนอเครื่องตรวจจับที่อิงจำแนกวงดนตรีที่ผ่านการฝึกอบรมออฟไลน์ ด้วยคุณสมบัติโดดเดียว วงดนตรีออกแบบมาเพื่อเพิ่มความแข็งแรงของต้นการตรวจสอบในกรณีที่เรือถูกยึด และเมื่อแสงแดดสะท้อนหรือโฟมสีขาวอยู่ที่ผิวน้ำทะเล Teutsch และครูเกอร์รถไฟ [18] เป็นลักษณนาม SVM มีคุณสมบัติไม่เปลี่ยนแปลงช่วงเวลาบางมาตรการทางสถิติเช่นค่าเฉลี่ย และผลต่าง เนื้อ เมทริกซ์เกิดร่วมกันและการวิเคราะห์ที่ไล่ระดับสีในการแบ่งประเภทรถถังในสองขั้นตอนนี้ ในขั้นตอนแรกมีผู้สมัครตรวจพบแบ่งวัตถุเหนือมหาสมุทรหรือระเบียบ ถ้ามันจัดเป็นวัตถุเหนือมหาสมุทร วัตถุคือจัดเป็นรถเรือหรือวัตถุที่เกี่ยวข้องในขั้นตอนสอง ซัลลิแวนและ M. พบชาห์ [31]ยานพาหนะทางทะเล มีค่าความคล้ายคลึงกันระหว่างผลของการแปลงพวกที่ใช้กับยานพาหนะ

ผลลัพธ์ (ไทย) 2:

การตรวจสอบการตรวจสอบเบื้องต้นโดยลักษณนามเป็น
ปัจจุบันในวรรณคดี [18 19] แต่เนื่องจาก
ความแปรปรวนสูงของลักษณะและรูปทรงเรขาคณิต
รูปทรงของยานพาหนะทางทะเลวิธีการนี้ไม่ได้เป็นอย่าง
สำรวจ Bloisi et al, [19] เสนอเบื้องต้น
ตรวจจับอยู่บนพื้นฐานของลักษณนามชุดการฝึกอบรม
แบบออฟไลน์ที่มีคุณสมบัติเวฟ Haar ชุด
ได้รับการออกแบบมาเพื่อเพิ่มความทนทานของการเริ่มต้น
การตรวจสอบในกรณีที่เรือทอดสมอและ
เมื่อสะท้อนแสงแดดหรือโฟมสีขาวที่มีอยู่
ที่พื้นผิวทะเล Teutsch และ Kruger [18] ฝึก
ลักษณนาม SVM ที่มีคุณสมบัติในช่วงเวลาที่คงที่
บางมาตรการทางสถิติเช่นค่าเฉลี่ยและ
ความแปรปรวนการวิเคราะห์พื้นผิวการฝึกอบรมร่วมที่เกิดขึ้น
และการวิเคราะห์การไล่ระดับสีที่จะจัดยานพาหนะในสอง
ขั้นตอน ในขั้นตอนแรกผู้สมัครตรวจพบจะถูก
แบ่งออกเป็นวัตถุเหนือมหาสมุทรหรือยุ่งเหยิง ถ้ามัน
จัดเป็นวัตถุเหนือมหาสมุทรที่วัตถุนั้น
จัดเป็นยานพาหนะทางทะเลหรือวัตถุที่ไม่เกี่ยวข้อง
ในขั้นตอนที่สอง ซัลลิแวนและเอ็มชาห์ [31] การตรวจสอบ
ยานพาหนะทางทะเลที่มีค่าความคล้ายคลึงกันระหว่าง
ผลมาจากการ FFT การแปลงนำไปใช้กับยานพาหนะ

ผลลัพธ์ (ไทย) 3:

เริ่มต้นการตรวจสอบความถูกต้องโดยลักษณนามคือปัจจุบันในวรรณคดี [ 18 , 19 ] , อย่างไรก็ตาม , เนื่องจากความแปรปรวนสูงของลักษณะที่ปรากฏและเรขาคณิตรูปร่างของยานพาหนะในทะเล วิธีการนี้ไม่ได้มากสํารวจ bloisi et al . [ 19 ] ข้อเสนอเบื้องต้นเครื่องตรวจจับตามแบบฝึกชุดโอเคครับกับวิธีการคุณสมบัติ วงดนตรีถูกออกแบบมาเพื่อเพิ่มความแกร่งของเริ่มต้นการตรวจสอบในกรณีที่เรือถูกยึดและเมื่อสะท้อนแสงแดดหรือโฟมขาว ปัจจุบันที่พื้นผิวทะเล และ teutsch Kruger [ 18 ] รถไฟSVM ลักษณนามกับคุณลักษณะความช่วงเวลาบางมาตรการ เช่น ค่าเฉลี่ย และสถิติความแปรปรวนการวิเคราะห์พื้นผิว การเมทริกซ์และการวิเคราะห์เปรียบเทียบสองยานพาหนะในการไล่ระดับสีขั้นตอน ในขั้นตอนแรกตรวจพบผู้สมัครจัดเป็นวัตถุเหนือมหาสมุทร หรือความไม่เป็นระเบียบ ถ้ามันจัดเป็นวัตถุเหนือมหาสมุทร วัตถุคือจัดเป็นรถทางทะเลหรือวัตถุที่ไม่เกี่ยวข้องในขั้นที่สอง ซัลลิแวน . Shah [ 31 ] ตรวจสอบทะเลกับยานพาหนะค่าความคล้ายคลึงระหว่างผลของหน่วยแปลงใช้กับยานพาหนะ