sample frame of these results. From

sample frame of these results. From Fig. 6 we can make two
observations.
The first observation is that SVMC outperforms the other
methods (i.e. highest NMI and lowest St overall) followed
by IDPMM and CF. SVMC can effectively cluster features
and maintain the best results over time. The transformation
to a higher dimensional space allows SVMC to capture the
intrinsic similarities among feature vectors of the same flow
type although they appear interwoven to an observer (Fig. 7h).
IDPMM is the second-best method as it can accurately cluster
the circular patterns, but it is unable to separate the bidirectional
flow on the top-left (Fig. 7e) because the algorithm
cannot temporally propagate the similarity among features.
Also, because the similarity among features is low, several
feature vectors are deemed to be outliers. CF achieves the
third-best results as it can accurately cluster flows with evident
opposite directions (top-left Fig. 7g). Recall that CF produces
clusters based on motion vector similarities in the input

ผลลัพธ์ (ไทย) 1:

กรอบตัวอย่างของผลลัพธ์เหล่านี้ จากรูป 6 เราสามารถทำให้ทั้งสองข้อสังเกตการสังเกตแรกคือ ว่า SVMC มีประสิทธิภาพสูงกว่าที่อื่น ๆตามวิธี (NMI เช่นสูงสุดและต่ำสุดเซนต์โดยรวม)โดย IDPMM และ cf. SVMC สามารถได้อย่างมีประสิทธิภาพคุณลักษณะของคลัสเตอร์และรักษาดีสุดตลอดเวลา การเปลี่ยนแปลงมิติพื้นที่สูงให้ SVMC จับลักษณะความคล้ายคลึงกันระหว่างคุณลักษณะเวกเตอร์ของกระแสเดียวกันชนิดแม้ว่าจะปรากฏด้วยการสังเกตการณ์ (รูป 7 h)IDPMM เป็นวิธีการสุดสองมันสามารถคลัสเตอร์ถูกต้องลวดลายวงกลม แต่มันไม่สามารถแยกแบบสองไหลจากด้านซ้าย (รูป 7e) เนื่องจากอัลกอริทึมชั่วไม่สามารถเผยแพร่ความคล้ายคลึงระหว่างคุณลักษณะนอกจากนี้ เนื่องจากความคล้ายคลึงระหว่างคุณลักษณะคือต่ำ หลายคุณลักษณะเวกเตอร์จะถือว่าเป็น outliers CF ประสบความสำเร็จในการผลสามดีที่สุดเพราะสามารถแม่นยำคลัสเตอร์กระแสกับชัดทิศทาง (ด้านบนซ้ายรูป 7 กรัม) ตรงข้าม เรียกว่า สร้าง CFกลุ่มตามความคล้ายคลึงกันของเวกเตอร์การเคลื่อนไหวในการป้อนข้อมูล

ผลลัพธ์ (ไทย) 2:

กรอบตัวอย่างผลลัพธ์เหล่านี้ จากรูป 6 เราสามารถทำให้สอง
สังเกต.
ครั้งแรกที่สังเกตก็คือว่า SVMC มีประสิทธิภาพดีกว่าอีก
วิธีการ (IE NMI สูงสุดและต่ำสุดเซนต์โดยรวม) ตาม
โดย IDPMM และ CF. SVMC อย่างมีประสิทธิภาพสามารถคลัสเตอร์คุณสมบัติ
และรักษาได้ผลดีที่สุดเมื่อเวลาผ่านไป การเปลี่ยนแปลง
ไปยังพื้นที่มิติที่สูงขึ้นจะช่วยให้ SVMC ที่จะจับ
ความคล้ายคลึงกันภายในหมู่เวกเตอร์คุณลักษณะของการไหลเดียวกัน
ชนิดถึงแม้ว่าพวกเขาจะปรากฏเกี่ยวพันกับผู้สังเกตการณ์ (รูป. 7h).
IDPMM เป็นวิธีที่สองที่ดีที่สุดในขณะที่มันถูกต้องสามารถจัดกลุ่ม
รูปแบบวงกลม แต่มันก็ไม่สามารถที่จะแยกสองทิศทาง
การไหลที่มุมบนซ้าย (รูป. 7e) เพราะอัลกอริทึม
ไม่สามารถชั่วคราวเผยแพร่ความคล้ายคลึงกันในหมู่คุณสมบัติ.
นอกจากนี้เนื่องจากความคล้ายคลึงกันในคุณสมบัติอยู่ในระดับต่ำหลาย
เวกเตอร์คุณลักษณะจะถือว่าเป็นค่าผิดปกติ CF บรรลุ
ผลสามที่ดีที่สุดในขณะที่มันถูกต้องคลัสเตอร์สามารถไหลด้วยความชัดเจน
ทิศทางตรงข้าม (ซ้ายรูป. 7g) จำได้ว่า CF ผลิต
กลุ่มขึ้นอยู่กับการเคลื่อนไหวคล้ายคลึงกันเวกเตอร์ในการป้อนข้อมูล

ผลลัพธ์ (ไทย) 3:

ตัวอย่างกรอบของผลลัพธ์เหล่านี้ จากรูปที่ 6 เราสามารถทำให้สองข้อสังเกตแบบแรกคือ svmc มีประสิทธิภาพดีกว่าอื่น ๆวิธีการ ( เช่นสูงสุดและต่ำสุด St โดย NMI ) ตามโดย idpmm CF และ svmc ได้อย่างมีประสิทธิภาพสามารถกลุ่มคุณสมบัติและรักษาผลลัพธ์ที่ดีที่สุดตลอดเวลา การเปลี่ยนแปลงเพื่อช่วยให้ svmc สูงกว่ามิติภาพความคล้ายคลึงกันระหว่างคุณลักษณะของการไหลภายในแบบเวกเตอร์แม้ว่าพวกเขาจะปรากฏประเภทผสมผสานกัน เพื่อสังเกตการณ์ ( รูป 7H )idpmm เป็นวิธีที่ดีที่สุดเท่าที่จะสามารถถูกต้อง กลุ่มที่สองลวดลายวงกลม แต่มันไม่สามารถที่จะแยกสองทิศทางการไหลในด้านบนซ้าย ( รูปที่ 7 ) เพราะขั้นตอนวิธีไม่สามารถชั่วคราวเผยแพร่ ความเหมือนระหว่างคุณลักษณะนอกจากนี้เนื่องจากความคล้ายคลึงกันระหว่างคุณสมบัติต่ำหลายเวกเตอร์คุณลักษณะถือว่าเป็นค่าผิดปกติ . CF ใช้ที่สามที่ดีที่สุดผลลัพธ์มันถูกต้องสามารถกลุ่มไหลกับประจักษ์ทิศทางที่ตรงข้าม ( ด้านซ้ายไม่ลด ) จำได้ว่าโฆษณาสร้างกลุ่มบนพื้นฐานของความคล้ายคลึงกันในการเคลื่อนไหวเวกเตอร์