翻译。。。感谢， google复制黏贴就算了

由于困难的数量估计象素上
类(或组群),非监督的算法经常承担
这个参数是已知的先验[4,第5条]。当拨号
像素类也被估计的,则无监督
分割问题模型可以看作是选择
模型空间组合问题。我们主要
有两种方法在文献中找到。其中之一是一名宇航员
查找了组合参数空间[6、7]:
segmentations和参数估计通过了
通过交替一个迭代采样标签
基于目前的估计领域的参数。
然后的最大似然估计的参数
目前所使用的计算值标注。结果
估计然后被用于拟合标准模型
选择最佳数量的课程。另一种方法
由一个两步近似技术[第1、8]:
第一步是一个粗糙的图像的分割
最有可能的数量的地区。然后参数值
估计,从产生的分割决赛吗
结果通过监督的分割。
我们的方法由建筑贝叶斯的颜色
图像模型利用一阶磁流变液。观测图像
代表多元混合高斯分布
当inter-pixel交互支持。标签类似
邻近的地点。在贝叶斯[9],我们是来旅游的
感兴趣的后验分布敬献了花圈
观测图像了。规定的未知包括
隐藏的标号场的配置,对混合高斯
参数、磁流变液hyperparameter,这个数字
混合组件(或职业”)。然后RJMCMC
算法对整个后验概率的样品
为了获得一张地图的估计进行了模拟。通过
退火[9]。直到现在,RJMCMC已经应用于
单变量高斯混合模型识别和[10]所聚集的相当
在不同的地方,如inferen应用

以上就是关于翻译。。。感谢， google复制黏贴就算了全部的内容，包括:翻译。。。感谢， google复制黏贴就算了、、等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！