项目中我用到的分类器是随机森林。
理解随机森林,我先po一篇论文。George Vosselman教授的
http://www.sciencedirect.com/science/article/pii/S0924271616306207
这里面用到的分类器是CRF以及RF;
这里面是基于segment-based classification的论文,其中feature的计算是基于segment的 用的是条件随机场,条件随机场的思想和图割非常相近。
都是分为 associate potential 以及 interactive potential
associate potential 就是没有neighborhood,直接自己单个点的进行分类.
interactive potential 就是neighborhood之间的分类。
CRF是个无向图是为上下文分类提供一个概率框架,接下来看https://wenku.baidu.com/view/6ff1fa6952ea551811a68752.html?qq-pf-to=pcqq.c2c 这个网站第一部分 Discrete Optimization:graph cuts and Belie propagation 读一读就行了,主要是计算min-cut,能量最小值也是max flow,也就是(data term, smooth term),当处理一个label的时候,共同处理所有的pixel, 其他pixel为第二类,对每个pixel一个个的处理。如果要是把这个pixel误分为其他label的话,那么就麻烦了,以为其他label可能是 2 3 4 5 6 那么,很难找到那个pixel属于哪个类。所以即使是错分,也要把其他label pixel分为1 . 这个里面的思想和CRF的总体思想大概一致,但是写的更加的详细。CRF 通过确定graph structures, 模型 用作potential 以及features来进行应用,而graph structure model 以及features都是可以进行自己选的。比如你可以用RF作为先前概率输出的分类器,当然线性的也可以。
CRF的一个重要特征是:它是基于其他分类器输出的概率结果,举个例子: RF输入的是每一个点以及点的特征,然后输出的是vote就是概率vector, 然后获取哪个label最大的概率,这个点就是那个label了,而CRF就是基于这个概率输出,然后进行再一次分类。 CRF也可以用为一个点的分类。 输入的数据也是基于其他分类器输出的概率结果。
还有训练的时候最好每个类别都要选取同样的sample,即使有的类别可能点云更多区域更大, 而有的点云区域小,点云多,但是 还是要尽可能选取同样数量的数量,这个很多文章都有提到过!
问题就是再次分类怎么找概率?而且怎么用程序?
RF是由T个random decision tree来组成的,每棵树都是独立进行训练,训练的数据都是随机选择的,对于RF来讲,重要的参数是树的深度,以及需要训练的最小数量的samples. 分类的时候每课树进行投票,最后获得投票数量最多的就是那个label. 而随机森林差不多是associate potential 是一个点进去一个点出来概率。
注意:分类器都是需要先用reference data和features来进行训练,训练出一个模型,然后输入模型和需要分类的数据得到分类结果!