In this method, every two classes a

In this method, every two classes are processed by constructing a
child classifier of SVM, so N×(N−1)/2 child SVM classifiers are required. By combining all N×(N−1)/2 classifiers, SVM can determine
the class of pixel through the accumulation of predicting
classification. In the testing stage, for each testing sample is processed
by N×(N−1)/2 child classifiers of SVM, and the class
which appears maximum times are the predicted class label
using voting method

ผลลัพธ์ (ไทย) 1:

ในวิธีนี้ ประมวลผลทุกสองชั้นเรียน โดยสร้างความเด็กลักษณนามของ SVM ดังนั้น N × (N−1) / 2 เด็ก SVM คำหลักภาษาจำเป็น โดยรวมทั้งหมด N × (N−1) / 2 คำหลักภาษา SVM สามารถกำหนดชั้นของพิกเซลผ่านการสะสมของการทำนายการจัดประเภท ในขั้นตอนการทดสอบ การทดสอบอย่างถูกประมวลผลโดย N × (N−1) / 2 คำหลักภาษาเด็กของ SVM และระดับชั้นซึ่งปรากฏสูงสุดครั้งป้ายคาดการณ์ระดับใช้วิธีการลงคะแนนเสียง

ผลลัพธ์ (ไทย) 2:

ในวิธีการนี้ทุกสองชั้นมีการประมวลผลโดยการสร้าง
ลักษณนามลูกของ SVM ดังนั้น N ร (N-1) / 2 ลักษณนาม SVM เด็กจะต้อง โดยการรวมทุก N ร (N-1) / 2 ลักษณนาม, SVM สามารถกำหนด
ระดับชั้นของพิกเซลผ่านการสะสมของการทำนาย
การจัดหมวดหมู่ ในขั้นตอนการทดสอบสำหรับการทดสอบตัวอย่างแต่ละคนจะได้รับการประมวลผล
โดย N ร (N-1) / 2 เด็กลักษณนามของ SVM และชั้นเรียน
ซึ่งปรากฏครั้งสูงสุดฉลากระดับที่คาดการณ์
โดยใช้วิธีการลงคะแนน

ผลลัพธ์ (ไทย) 3:

วิธีนี้ ทุก ๆ 2 ชั้น ประมวลผล โดยสร้างเด็กลักษณนามของ SVM ดังนั้น n × n − 1 ) / 2 เด็ก SVM คือจะต้อง โดยการรวมทุก n × n − 1 ) 2 คำ SVM สามารถกำหนดชั้นเรียนของพิกเซลผ่านการสะสมของพยากรณ์การจำแนกประเภท ในขั้นตอนการทดสอบสำหรับแต่ละการทดสอบตัวอย่างการประมวลผลโดย n × n − 1 / 2 ลูก คำลักษณนามของ SVM และชั้นเรียนซึ่งปรากฏครั้งสูงสุดเป็นทำนายระดับ ฉลากใช้วิธีการลงคะแนน