size of categories and sub-categori

size of categories and sub-categories respectively. Some articles did not
report spatial or spectral resolution and because many articles included
multiple datasets, the number of samples of improvement categories in
Table 3 is not equal to the sum of the number of samples of their subcategories
in Table 4.
Except for feature extraction, all other data enhancement methods
demonstrated statistically significant improvements in overall accuracy
(α = 0.05). The largest improvements resulted from inclusion of texture
(mean of 12.1%), especially when spatial resolution increased
(Table 4). All 31 sampled articles of inclusion of texture showed improvements
in overall accuracy after adding textural information
to their baseline classification processes. Inclusion of ancillary data,
multi-angle imagery and multi-time imagery was the next most favorable
input data enhancement methods yielding mean improvements
of 8.5%, 8.0%, and 6.9% respectively. The three enhancement methods
with the lowest effect size did not offer new sources of information.
Pre-processing techniques are designed to enhance the quality of the
original image and could enhance spectral quality of the signal. Inclusion
of spectral indices and feature extraction achieved minor OA gains.
Table 5 shows the adjusted least squares mean effect sizes and
pairwise Tukey–Kramer comparisons from the ANCOVA at three
predetermined levels of baseline classification OA. While Table 3 highlights
comparisons between each input data enhancement category
with its corresponding baseline classification, Table 5 focuses on comparisons
between input data enhancement methods. The estimated effect
size frominclusion of texturewas the highest by awidemargin. The
mean effect size achieved by including texture was 12.5% when OA of
thebaseline classificationwas 70%, and the effect sizewas still considerable
(4.3%) even for high accuracy baseline classifications with 90% OA.
Other methods also demonstrated effect sizes comparable to those

Kết quả (Việt) 1:

Kích thước của các mục và tiểu mục tương ứng. Một số bài viết đã khôngbáo cáo độ phân giải không gian hoặc quang phổ và vì bao gồm nhiều bài viếtdatasets nhiều, số lượng các mẫu cải tiến loại trongBảng 3 không phải là tương đương với tổng số mẫu của các tiểu thể loại của họtrong bảng 4.Ngoại trừ khai thác tính năng, tất cả các dữ liệu nâng cao phương pháp khácchứng minh cải tiến đáng kể về mặt thống kê trong tổng thể chính xác(Α = 0.05). Những cải tiến lớn nhất là kết quả bao gồm kết cấu(có nghĩa là của 12,1%), đặc biệt là khi độ phân giải không gian tăng lên(Bảng 4). Tất cả 31 nếm thử các bài viết bao gồm kết cấu cho thấy những cải tiếntrong tổng thể chính xác sau khi thêm các thông tin kết cấuđể quy trình phân loại cơ sở của họ. Bao gồm các dữ liệu phụ trợ,góc đa hình ảnh và hình ảnh thời gian đa là tiếp theo thuận lợi nhấtdữ liệu đầu vào phương pháp nâng cao năng suất có nghĩa là cải tiến8,5%, 8,0% và 6,9% tương ứng. Phương pháp 3 tăng cườngvới tác dụng thấp nhất kích thước đã không cung cấp nguồn thông tin mới.Kỹ thuật chế biến sẵn được thiết kế để nâng cao chất lượng cáchình ảnh ban đầu và có thể nâng cao chất lượng phổ của tín hiệu. Bao gồmquang phổ chỉ số và tính năng khai thác đạt được tiểu OA lợi nhuận.Bảng 5 cho thấy các ô vuông ít nhất là điều chỉnh có nghĩa là kích thước hiệu quả vàso sánh Tukey-Kramer cử từ ANCOVA ở baxác định trước mức độ đường cơ sở phân loại viêm KHỚP. Trong khi bảng 3 điểm nổi bậtso sánh giữa mỗi loại đầu vào dữ liệu nâng caovới phân loại cơ sở tương ứng của nó, bảng 5 tập trung vào so sánhgiữa đầu vào dữ liệu nâng cao phương pháp. Ước tính có hiệu lựcKích thước frominclusion của texturewas cao nhất của awidemargin. Cáccó nghĩa là hiệu ứng đạt được bằng cách bao gồm kết cấu là 12,5% khi OA củathebaseline classificationwas 70%, và sizewas có hiệu lực vẫn còn đáng kể(4,3%) ngay cả đối với độ chính xác cao đường cơ sở phân loại với 90% OA.Các phương pháp khác cũng đã chứng minh hiệu ứng kích thước so sánh với những người

Kết quả (Việt) 2:

kích thước của các hạng mục và tiểu mục tương ứng. Một số bài báo đã không
báo cáo phân giải không gian hoặc quang phổ và vì nhiều bài viết bao gồm
nhiều bộ dữ liệu, số lượng mẫu các loại cải tiến trong
Bảng 3 là không bằng với tổng của số lượng mẫu của các tiểu thể loại của họ
trong bảng 4.
Ngoại trừ tính năng khai thác, tất cả các phương pháp nâng cao các dữ liệu khác
chứng minh cải tiến đáng kể về mặt thống kê ở độ chính xác tổng thể
(α = 0,05). Những cải tiến lớn nhất là kết quả của bao gồm các kết cấu
(có nghĩa là 12,1%), đặc biệt là khi độ phân giải không gian tăng
(Bảng 4). Tất cả 31 bài viết được lấy mẫu của sự bao gồm các kết cấu đã cho thấy sự cải thiện
độ chính xác tổng thể sau khi thêm thông tin về kết cấu
đến các quá trình phân loại cơ bản của họ. Bao gồm các dữ liệu phụ trợ,
hình ảnh nhiều góc độ và hình ảnh đa thời gian là thuận lợi nhất tiếp theo
phương pháp nâng cao năng suất dữ liệu đầu vào cải tiến trung bình
là 8,5%, 8,0% và 6,9% tương ứng. Ba phương pháp nâng cao
với mức độ ảnh hưởng thấp nhất không cung cấp nguồn thông tin mới.
Kỹ thuật Pre-xử lý được thiết kế để nâng cao chất lượng của
hình ảnh ban đầu và có thể nâng cao chất lượng phổ của tín hiệu. Bao gồm
các chỉ số quang phổ và tính năng khai thác được những thành quả viêm khớp nhỏ.
Bảng 5 cho thấy các ô vuông điều chỉnh ít nhất có nghĩa là kích thước quả và
so sánh Tukey-Kramer cặp từ ANCOVA ở ba
mức độ định trước của phân loại cơ sở viêm khớp. Trong khi Bảng 3 điểm nổi bật
so sánh giữa mỗi đầu vào loại nâng cao dữ liệu
với phân loại cơ bản tương ứng của nó, Bảng 5 tập trung vào việc so sánh
giữa đầu vào phương pháp nâng cao dữ liệu. Các ước tính ảnh hưởng
kích thước frominclusion của texturewas cao nhất bởi awidemargin. Các
kích thước trung bình hiệu đạt được bằng cách bao gồm kết cấu là 12,5% khi viêm khớp
thebaseline classificationwas 70%, và sizewas hiệu lực vẫn còn đáng kể
(4,3%) thậm chí cho các loại cơ sở chính xác cao với 90% viêm khớp.
Các phương pháp khác cũng đã chứng minh tác dụng kích thước so sánh với những