To show the effectiveness of our ap

To show the effectiveness of our approach, three
distance measurement methods are compared:
Euclidean distance from the mean frame (used as
the baseline), Euclidean distance from all frames, and
Euclidean distance from the typical features. For the
global feature, we use the feature vector average of
all frames. Therefore, there is one feature vector per
audio file. The number of typical features after GMM
depends on the number of cluster centers; we choose 5
per audio track.

ผลลัพธ์ (ไทย) 1:

แสดงประสิทธิภาพของวิธีการของเรา สามมีการเปรียบเทียบวิธีการวัดระยะทาง:ระยะทางแบบยุคลิดจากเฟรมเฉลี่ย (ใช้เป็นพื้นฐาน), ระยะทางแบบยุคลิดจากกรอบทั้งหมด และระยะทางแบบยุคลิดจากคุณลักษณะทั่วไป สำหรับการคุณลักษณะระดับโลก เราใช้ค่าเฉลี่ยเวกเตอร์คุณลักษณะของภาพทั้งหมด ดังนั้น มีคุณลักษณะแบบเวกเตอร์หนึ่งต่อแฟ้มเสียง จำนวนของคุณสมบัติโดยทั่วไปหลังจากจีเอ็มเอ็มขึ้นอยู่กับจำนวนศูนย์คลัสเตอร์ เราเลือก 5ต่อแทร็กเสียง

ผลลัพธ์ (ไทย) 2:

เพื่อแสดงให้เห็นประสิทธิภาพของวิธีการของเราสาม
วิธีการวัดระยะทางจะเทียบ:
ระยะทางยุคลิดจากกรอบค่าเฉลี่ย (ใช้เป็น
พื้นฐาน) ระยะทางยุคลิดจากทุกเฟรมและ
ระยะทางยุคลิดจากคุณลักษณะทั่วไป สำหรับ
คุณลักษณะของโลกเราใช้ค่าเฉลี่ยคุณลักษณะเวกเตอร์ของ
ทุกเฟรม ดังนั้นจึงมีความเป็นคุณลักษณะเวกเตอร์ต่อหนึ่ง
ไฟล์เสียง จำนวนของคุณสมบัติทั่วไปหลังจากที่จีเอ็มเอ็
ขึ้นอยู่กับจำนวนของศูนย์คลัสเตอร์; เราเลือกที่ 5
ต่อแทร็กเสียง

ผลลัพธ์ (ไทย) 3:

เพื่อแสดงประสิทธิผลของวิธีการของเรา สามวิธีการวัดระยะทางเปรียบเทียบ :ระยะทางแบบยุคลิดจากหมายถึงกรอบ ( ใช้เป็นพื้นฐาน ) , ระยะทางแบบยุคลิดจากทุกเฟรม และระยะทางแบบยุคลิดจากคุณลักษณะทั่วไป สำหรับโลกคุณลักษณะ เราใช้คุณลักษณะเวกเตอร์โดยเฉลี่ยทุกเฟรม จึงมีหนึ่งคุณลักษณะเวกเตอร์ ต่อไฟล์เสียง จำนวนคุณสมบัติทั่วไป หลังจากจีเอ็มเอ็มขึ้นอยู่กับจำนวนของศูนย์กลุ่ม เราเลือก 5ต่อแทร็กเสียง