基于Kalman和双级联随机森林的在线目标跟踪算法

针对传统的基于检测的在线目标跟踪算法容易产生跟踪漂移的现象,提出了一种新的在线目标跟踪算法。以基于主方向模板特征的双级联随机森林分类器作为检测器,卡尔曼滤波器作为跟踪器。首先利用卡拉曼算法跟踪目标,然后以跟踪的目标位置为中心向外扩展一定的范围作为双级联随机森林分类器的检测区域,利用全局随机森林分类器和局部随机森林分类器进行目标检测,并将检测结果作为Kalman跟踪算法下一帧的观测值。实验结果显示,提出的算法在跟踪大小420×320的图像时,跟踪速度达到24.3 f/s(帧/秒),目标中心位置误差在30 pixel时,算法准确率可达到80%以上。

FS-CRF:基于特征切分与级联随机森林的异常点检测模型

大数据时代,攻击篡改、设备故障、人为造假等原因导致海量数据中潜藏着许多异常值。准确地检测出数据中的异常点,实现数据清洗,至关重要。文中提出一种结合特征切分与多层级联随机森林的异常点检测模型(outlier detection model based on Feature Segmentation and Cascaded Random Forest,FS-CRF)。利用滑动窗口与随机森林对原始特征进行细粒度切分,生成类概率向量,用于训练多层级联的随机森林;由级联层中最后一层的随机森林投票决定样本的最终类别。仿真实验结果表明,新方法在基于多个UCI数据集进行的异常分类任务中均获得较高F1-measure评分;级联结构使新模型相比于经典的随机森林算法进一步提高了泛化能力;在高维数据集上所提方法比梯度提升决策树和XGBoost拥有更优的性能,且超参数较少,易于调优,具有更好的综合性能。

深度森林在乳腺癌检测中的应用

对于医疗诊断领域传统机器学习分类算法效果不理想的情况,引入深度森林算法,应用于乳腺癌肿瘤的分类问题。该算法使用随机抽样方式对乳腺癌原始特征进行变换增强其特征表征能力,通过级联随机森林对增强特征做逐层表征学习,最后经过分类器输出分类结果。实验结果表明深度森林较支持向量机和决策树算法在乳腺癌良恶性分类性能更好,最高分类精度可达96.2%。该应用在提高了医师在乳腺癌诊断中的准确率。

一种深度森林算法的乳腺癌检测方法研究

对于医疗诊断领域传统机器学习分类算法效果不理想的情况,引入深度森林算法,应用于乳腺癌肿瘤的分类问题。该算法使用随机抽样方式对乳腺癌原始特征进行变换增强其特征表征能力,通过级联随机森林对增强特征做逐层表征学习,最后经过分类器输出分类结果。实验结果表明深度森林较支持向量机和决策树算法在乳腺癌良恶性分类性能更好,最高分类精度可达96.2%。该应用在提高了医师在乳腺癌诊断中的准确率。