Recently anomaly detection has beco

Recently anomaly detection has become an important application for target detection. Reed and Yu developed
a method referred to as the RX detector [3] which has shownsuccess in anomaly detection of multispectral and
hyperspectral data [4]. Baghbidi et al. implemented anomaly detection algorithms on hyperspectral data using wavelet
features as a pre-processing data reduction step [5]. Discrete wavelet transform (DWT) feature extraction has been used for dimensionality reduction of hyperspectral data and various wavelet-based features were applied to the problem of
automatic classification of ground vegetation from hyperspectral signatures [6].

ผลลัพธ์ (ไทย) 1:

เพิ่ง ตรวจพบความผิดปกติได้กลายเป็น โปรแกรมประยุกต์ที่สำคัญสำหรับการตรวจจับ ลิ้นและยูพัฒนาวิธีการอ้างอิงเป็นจำนวนเครื่องตรวจจับ [3] ซึ่งมี shownsuccess ในการตรวจหาความผิดปกติของ multispectral และข้อมูล hyperspectral [4] Baghbidi et al. ใช้อัลกอริทึมการตรวจหาความผิดปกติข้อมูล hyperspectral ใช้ waveletลักษณะการทำงานเป็นประมวลผลล่วงหน้าข้อมูลการลดขั้นตอน [5] ใช้สำหรับลด dimensionality ข้อมูล hyperspectral wavelet แยกกันแปลง (DWT) คุณลักษณะแยก และคุณลักษณะตาม wavelet ต่าง ๆ ถูกนำไปใช้การการจัดประเภทอัตโนมัติของพืชดินจากลายเซ็น hyperspectral [6]

ผลลัพธ์ (ไทย) 2:

การตรวจสอบความผิดปกติเมื่อเร็ว ๆ นี้ได้กลายเป็นแอพลิเคชันที่สำคัญสำหรับการตรวจจับเป้าหมาย กก Yu
และพัฒนาวิธีการที่เรียกว่าเครื่องตรวจจับRX [3] ซึ่งมี shownsuccess ในการตรวจสอบความผิดปกติของ multispectral
และข้อมูลHyperspectral [4] Baghbidi et al, ดำเนินการตรวจสอบความผิดปกติขั้นตอนวิธีการในการใช้ข้อมูล Hyperspectral
เวฟคุณสมบัติเป็นขั้นตอนการลดข้อมูลก่อนการประมวลผล[5] แปลงเวฟเล็ต (DWT) ดึงถูกนำมาใช้สำหรับการลดมิติของข้อมูล Hyperspectral
และคุณสมบัติเวฟต่างๆถูกนำไปใช้ในการแก้ไขปัญหาของการจัดหมวดหมู่ของพืชโดยอัตโนมัติจากพื้นลายเซ็นHyperspectral [6]

ผลลัพธ์ (ไทย) 3:

เมื่อเร็ว ๆนี้ได้กลายเป็นโปรแกรมตรวจจับความผิดปกติที่สำคัญสำหรับการตรวจสอบเป้าหมาย รีดและยูพัฒนา
วิธีเรียกว่า RX เครื่อง [ 3 ] ซึ่งมี shownsuccess ในตรวจจับความผิดปกติของหลายและ
hyperspectral ข้อมูล [ 4 ] baghbidi et al . ใช้ตรวจจับความผิดปกติของข้อมูล hyperspectral โดยใช้คุณลักษณะของเวฟเล็ต
เป็นการประมวลผลข้อมูลการลดขั้นตอน [ 5 ]แปลงเวฟเล็ตแบบไม่ต่อเนื่อง ( DWT ) การสกัดคุณลักษณะได้ถูกใช้เพื่อลด dimensionality ข้อมูล hyperspectral ต่างๆตามคุณสมบัติและวิธีการที่ใช้กับปัญหาของ
การจำแนกอัตโนมัติของพื้นดินพืชจากลายเซ็น hyperspectral [ 6 ] .