These observations indicate that hi

These observations indicate that higher level image features
(such as compositions of basic image structures such as edges
and corners) need to be used in order to capture ice appearances
in SAR imageries under variable and changing surface conditions.
The design of such features is difficult and nonintuitive.
Redesign of the algorithm or features may be necessary for
different regions or times of the year. Therefore, it is of interest
to investigate the use of feature learning instead of feature
design for ice concentration estimation from SAR images. If
features can be learned from training data, the most effective
features can be generated for specific data and conditions
without human intervention. This is highly desirable for largescale
automatic ice concentration estimation tasks.

ผลลัพธ์ (ไทย) 1:

ข้อสังเกตเหล่านี้บ่งชี้ว่า ระดับที่สูงขึ้นภาพคุณสมบัติ(เช่นองค์ประกอบของโครงสร้างพื้นฐานภาพเช่นขอบและมุม) จำเป็นต้องใช้เพื่อจับน้ำแข็งนัดในเนียน SAR ภายใต้ตัวแปรและการเปลี่ยนแปลงสภาพพื้นผิวการออกแบบของคุณสมบัติดังกล่าวเป็นเรื่องยาก และ nonintuitiveอาจจำเป็นสำหรับการออกแบบของอัลกอริทึมหรือคุณลักษณะภูมิภาคต่าง ๆ หรือเวลาของปี จึง มันเป็นที่น่าสนใจการตรวจสอบการใช้งานของคุณลักษณะการเรียนรู้แทนคุณลักษณะการออกแบบสำหรับการประเมินความเข้มข้นของน้ำแข็งจาก SAR ภาพ ถ้าคุณสมบัติสามารถเรียนรู้ได้จากข้อมูลการฝึกอบรม มีประสิทธิภาพสูงสุดคุณสมบัติสามารถสร้างข้อมูลที่เฉพาะเจาะจงและเงื่อนไขโดยไม่มีการแทรกแซงของมนุษย์ นี้เป็นที่นิยมที่สุดสำหรับ largescaleงานการประมาณความเข้มข้นน้ำแข็งอัตโนมัติ

ผลลัพธ์ (ไทย) 2:

ข้อสังเกตเหล่านี้แสดงให้เห็นว่าองค์ประกอบภาพระดับที่สูงขึ้น
(เช่นองค์ประกอบของโครงสร้างภาพขั้นพื้นฐานเช่นขอบ
และมุม) จะต้องมีการใช้เพื่อจับภาพที่ปรากฏน้ำแข็ง
ในภาพถ่ายจากเขตปกครองพิเศษภายใต้ตัวแปรและการเปลี่ยนแปลงสภาพพื้นผิว.
การออกแบบของคุณสมบัติดังกล่าวเป็นเรื่องยากและ nonintuitive.
การออกแบบของขั้นตอนวิธีหรือคุณลักษณะอาจจะเป็นสิ่งที่จำเป็นสำหรับ
ภูมิภาคต่าง ๆ หรือช่วงเวลาของปี ดังนั้นจึงเป็นที่น่าสนใจ
ที่จะตรวจสอบการใช้คุณลักษณะการเรียนรู้แทนคุณลักษณะ
การออกแบบสำหรับการประมาณค่าความเข้มข้นของน้ำแข็งจากภาพ SAR หาก
คุณสมบัติสามารถเรียนรู้จากข้อมูลการฝึกอบรมที่มีประสิทธิภาพมากที่สุด
คุณลักษณะที่สามารถสร้างขึ้นสำหรับข้อมูลที่เฉพาะเจาะจงและเงื่อนไข
โดยไม่ต้องแทรกแซงของมนุษย์ นี้เป็นที่น่าพอใจอย่างมากสำหรับ largescale
งานการประมาณค่าความเข้มข้นของน้ำแข็งอัตโนมัติ

ผลลัพธ์ (ไทย) 3:

ตัวอย่างเหล่านี้แสดงให้เห็นว่าสูงกว่าระดับคุณสมบัติภาพ( เช่นองค์ประกอบของโครงสร้างพื้นฐาน เช่น ขอบภาพและมุม ) ต้องใช้เพื่อจับลักษณะแข็งในตนเองลดลงภายใต้ตัวแปรและการเปลี่ยนแปลงพื้นผิวเงื่อนไขการออกแบบคุณลักษณะดังกล่าวเป็นสิ่งที่ยากและ nonintuitive .การออกแบบอัลกอริทึมหรือคุณสมบัติที่อาจจำเป็นภูมิภาคที่แตกต่างกัน หรือ เวลาของปี ดังนั้น จึงเป็นที่น่าสนใจเพื่อศึกษาการใช้คุณลักษณะการเรียนรู้แทนประกอบด้วยการออกแบบการประเมิน SAR ของน้ำแข็งจากภาพ ถ้าคุณสมบัติ สามารถเรียนรู้จากข้อมูลการฝึกอบรม มีประสิทธิภาพมากที่สุดคุณสมบัติที่สามารถสร้างขึ้นสำหรับข้อมูลที่เฉพาะเจาะจงและเงื่อนไขโดยไม่มีการแทรกแซงของมนุษย์ นี้เป็นที่พึงปรารถนาอย่างสูงสำหรับมากกว่าการประมาณปริมาณงานน้ำแข็งอัตโนมัติ