用于TanDEM-X-based森林分类的深度学习解决方案

SilvaScenes：自然森林冠层下图像中的树木检测与物种分类

SilvaScenes: Tree Detection and Species Classification from Under-Canopy Images in Natural Forests

Northern Robotics Laboratory, Université Laval（北方机器人实验室，拉瓦尔大学）；Département des sciences du bois et de la forêt, Université Laval（林业与木材科学系，拉瓦尔大学）；Institut des Sciences de la Forêt tempérée, Université du Québec en Outaouais（温带森林科学研究所，魁北克outsouais大学）

针对深度学习发展下森林自动化需求，提出SilvaScenes数据集，用于自然森林冠层下图像的树种实例分割，评估显示树干分割可行，物种分割有挑战，还指出关键问题及图像分辨率的作用。

2026-07-07cs.AIcs.CVcs.LG

OPFython：一个Python启发的最优路径森林分类器

OPFython: A Python-Inspired Optimum-Path Forest Classifier

São Paulo State University（圣保罗州立大学）；University of Campinas（坎皮纳斯大学）

机器学习技术在过去几年中一直是至关重要的，被应用于广泛的任务，如分类，对象识别，人员识别和图像分割。然而，传统的分类算法，例如，逻辑回归、决策树和贝叶斯分类器可能缺乏复杂性和多样性，不适合处理真实世界的数据。最近的图形启发分类器，称为最优路径森林，已被证明是一种最先进的技术，可与支持向量机媲美，甚至在某些任务中超过它。本文提出了一个基于Python的Optimum-Path Forest框架，表示为OPFython，其中所有的函数和类都基于原始的C语言实现。此外，由于OPFython是一个基于Python的库，它提供了一个比C语言更友好的环境和更快的原型工作区。

2021-07-30cs.CVcs.LGstat.ML

随机森林和VGG-NET：用于ISIC 2017皮肤病变分类挑战的算法

Random Forests and VGG-NET: An Algorithm for the ISIC 2017 Skin Lesion Classification Challenge

University of Science and Technology of China（中国科学技术大学）

本文简要介绍了为ISIC 2017皮肤病变分类竞赛开发的算法。在这项任务中，参与者被要求完成两个独立的二进制图像分类任务，涉及三个独特的诊断皮肤病变（黑色素瘤，痣，和脂溢性角化病）。在第一个二元分类任务中，要求参与者区分（a）黑色素瘤和（b）痣和脂溢性角化病。在第二个二元分类任务中，要求参与者区分（a）脂溢性角化病和（b）痣和黑色素瘤。比赛的其他阶段不予考虑。我们提出的算法包括三个步骤：预处理，使用VGG-NET和随机森林分类，并计算最终得分。

2017-03-15cs.CV

使用ResNet50提取的特征并通过Deep Forest进行分类的皮肤镜图像中的疾病分类

Disease Classification within Dermascopic Images Using features extracted by ResNet50 and classification through Deep Forest

Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）

在本报告中，我们提出了一种皮肤病变图像的分类技术，作为我们提交的ISIC 2018皮肤病变分析黑色素瘤检测挑战赛的一部分。我们的数据来自ISIC 2018：皮肤病变分析对黑色素瘤检测大挑战数据集。通过卷积神经网络提取特征，在我们的案例中是ResNet 50，然后使用这些特征，我们训练具有级联层的DeepForest，以对我们的皮肤病变图像进行分类。我们知道，卷积神经网络是图像表示学习的最先进技术，卷积滤波器通过反向传播学习从图像中检测特征。然后，这些特征通常被馈送到分类器，如softmax层或其他此类分类器用于分类任务。在我们的例子中，我们没有使用传统的反向传播方法，而是训练一个softmax层来进行分类。相反，我们使用Deep Forest，这是一种新的决策树集成方法，在广泛的任务中，它的性能与深度神经网络具有很强的竞争力。因此，我们使用ResNet50从皮肤病变图像中提取特征，然后使用Deep Forest对这些图像进行分类。之所以使用这种方法，是因为人们发现Deep Forest在只有小规模训练数据可用的领域非常有效。此外，由于Deep Forest网络本身决定了它的复杂性，它也迎合了我们在这个问题中面临的数据集不平衡的问题。

2018-07-25cs.CV

基于有序标签的医学图像分类的Meta有序回归森林

Meta Ordinal Regression Forest for Medical Image Classification with Ordinal Labels

Fudan University（复旦大学）；Shanghai Center for Brain Science and Brain-inspired Technology（上海脑科学与类脑研究中心）

医学图像分类的性能已经通过深度卷积神经网络（CNN）来增强，深度卷积神经网络（CNN）通常使用交叉熵（CE）损失来训练。然而，当标签在自然界中呈现固有的序数属性时，例如，从良性到恶性肿瘤的发展，CE损失不能考虑这样的顺序信息以允许更好的概括。为了提高模型的泛化能力，提出了一种新的元有序回归森林（MORF）方法，用于医学图像分类中的有序标签，该方法通过在元学习框架中结合卷积神经网络和差分森林来学习有序关系.提出的MORF的优点来自以下两个部分：一个树加权网络（TWW-Net）和一个分组特征选择（GFS）模块。首先，TWW-Net为森林中的每棵树分配一个特定的权重，该权重从相应树的分类损失映射而来。因此，所有的树都具有不同的权重，这有助于减轻逐树预测方差。其次，GFS模块支持动态森林，而不是以前使用的固定森林，允许随机特征扰动。在训练过程中，我们通过计算Hessian矩阵，交替优化元学习框架中CNN主干和TWW-Net的参数。在两个医学图像分类数据集上的实验结果，LIDC-IDRI和乳腺超声数据集，证明了我们的MORF方法优于现有的最先进的方法的性能。

2022-03-15cs.CV

通过自顶向下层次学习构建动态序列决策森林使CNN可解释

Making CNNs Interpretable by Building Dynamic Sequential Decision Forests with Top-down Hierarchy Learning

Shanghai Jiao Tong University（上海交通大学）；Tongji University（同济大学）

在本文中，我们提出了一个通用的模型转移方案，使对流神经网络（CNN）可解释，同时保持其高分类精度。我们通过在CNN上构建可区分的决策森林来实现这一点，它具有两个特点：1）在训练过程中，森林的树层次在预训练的CNN权重中嵌入的类别语义的指导下以自顶向下的方式学习; 2）在推理期间，从森林中为每个输入样本动态地选择单个决策树，使得被转移的模型能够做出与语义相似的类别所共享的属性相对应的顺序决策，而不是直接执行平面分类。我们将转移的模型命名为深度动态顺序决策森林（dDSDF）。实验结果表明，dDSDF不仅取得了更高的分类精度比它的conuterpart，即，原始的CNN，但具有更好的可解释性，因为定性地它具有合理的层次结构，定量地它导致更精确的显着性图。

2021-06-05cs.CV

基于模糊逻辑的最优路径森林分类新方法

A Novel Approach for Optimum-Path Forest Classification Using Fuzzy Logic

University of Fortaleza（福塔莱萨大学）；Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）；São Paulo State University（圣保罗州立大学）；Nantong University（南通大学）

在过去的几十年里，模糊逻辑在许多研究领域中发挥了重要作用。此外，基于图的模式识别已被证明具有非常重要的意义，因为它可以灵活地使用图论的背景来划分特征空间。几年前，一个新的框架，监督，半监督，和无监督学习命名为最优路径森林（OPF）提出了竞争性的结果，在几个应用中，除了包括一个低的计算负担。在本文中，我们提出了模糊最优路径森林，标准OPF分类器的改进版本，以无监督的方式学习样本的成员资格，在监督训练过程中进一步纳入。这些信息用于识别最相关的训练样本，从而改进分类步骤。在12个公共数据集上进行的实验突出了所提出的方法的鲁棒性，其在最坏情况下的行为类似于标准OPF。

2022-04-13cs.CV

基于2D正射影像和3D空中激光扫描点云的森林生物多样性潜力多模态分类

Multimodal classification of forest biodiversity potential from 2D orthophotos and 3D airborne laser scanning point clouds

Perception Laboratory, Aalborg University, Denmark；Pioneer Centre for Artificial Intelligence, Denmark；Department of Computer Science, Copenhagen University, Denmark；Institute for Visual \& Analytic Computing, Rostock University, Germany；University of Barcelona；Computer Vision Center, Spain

本研究利用2D正射影像和3D ALS点云数据，通过多模态深度学习融合方法，实现对森林生物多样性潜力的高效评估，实验结果达到82%的准确率。

2025-12-16cs.CV

评估深度嵌入在荷兰森林调查中树种分类的有效性

Assessing the Effectiveness of Deep Embeddings for Tree Species Classification in the Dutch Forest Inventory

Wageningen University（瓦赫宁根大学）；OpenGeoHub Foundation（OpenGeoHub基金会）；Wageningen Environmental Research（瓦赫宁根环境研究）；University of Bonn（波恩大学）

本研究通过深度嵌入提升荷兰森林调查中树种分类的准确性，证明预训练模型在数据有限场景下的有效性。

2026-08-14cs.CV

使用3D视频分类的林业机械作业时空分析

Spatiotemporal Analysis of Forest Machine Operations Using 3D Video Classification

Norwegian Institute of Bioeconomy Research（挪威生物经济研究所）

本文提出基于PyTorchVideo的3D ResNet-50深度学习框架，从行车记录仪视频中分类林业作业，验证集F1达0.88，为林业实时活动识别奠定基础。

2025-05-30cs.CV

用于空间独立多光谱土地分类的柯尔莫哥洛夫-阿诺德网络

Kolmogorov-Arnold Networks for Spatially Independent Multispectral Land Classification

Aalto University（阿尔托大学）；University of Alberta（阿尔伯塔大学）

本研究评估Kolmogorov-Arnold网络用于多光谱土地分类的性能，发现其在卡尔加里独立数据集上准确率与随机森林相当、优于多层感知器，且参数更少、可解释性更强。

2026-08-17cs.CV

利用深度学习对小蠹引起的林木死亡进行分类

Classification of Bark Beetle-Induced Forest Tree Mortality using Deep Learning

University of Alberta（阿尔伯塔大学）；Canadian Forest Service, Natural Resources Canada（加拿大自然资源部加拿大林业局）

树皮甲虫的爆发会严重影响世界各地的森林生态系统和服务。为了制定有效的森林政策和管理计划，必须及早发现受虫害的树木。尽管树皮甲虫侵扰的视觉症状，这项任务仍然具有挑战性，考虑到重叠的树冠和冠叶变色的非均匀性。在这项工作中，提出了一种基于深度学习的方法，以有效地分类不同阶段的树皮甲虫攻击在个别树的水平。该方法使用RetinaNet架构（利用一个强大的特征提取骨干预先训练树冠检测）训练一个浅层子网络分类的不同攻击阶段的无人机（UAV）捕获的图像。此外，各种数据增强策略进行检查，以解决类不平衡的问题，因此，仿射变换被选为最有效的一个用于此目的。实验评估表明，所提出的方法的有效性，达到98.95%的平均准确率，大大优于基线方法约10%。

2022-08-21cs.CV

利用纹理将森林与植被分开分类

Using Texture to Classify Forests Separately from Vegetation

Northeastern University（东北大学）；University of Victoria（维多利亚大学）；Earth Daily Analytics, Inc（地球每日分析公司）

本文提出一种基于边缘检测纹理与Sentinel-2 NDVI比值的静态算法流程，用于在高分辨率卫星图像中区分森林与非森林植被，并给出后续改进方向。

2024-08-29cs.CV

用于不确定肺结节学习的Meta有序回归森林

Meta Ordinal Regression Forest For Learning with Unsure Lung Nodules

Fudan University（复旦大学）；Shanghai Center for Brain Science and Brain-inspired Technology（上海脑科学与类脑研究中心）

基于深度学习的方法在肺结节的早期检测和分类方面取得了很好的性能，其中大多数方法丢弃了不确定的结节，并简单地处理了恶性与良性的二元分类。最近，一个不确定的数据模型（UDM）提出了将这些不确定的结节，制定这个问题作为一个有序回归，表现出更好的性能比传统的二进制分类。为了进一步探索肺结节分类的顺序关系，本文提出了一种Meta顺序回归森林（MORF），它改进了最先进的顺序回归方法，深顺序回归森林（DORF），在三个主要方面。首先，MORF可以通过充分利用深度特征来减轻预测的偏差，而DORF需要在训练之前固定决策树的组成。其次，MORF有一个新的分组特征选择（GFS）模块重新采样的分裂节点的决策树。最后，结合GFS，MORF配备了一个基于Meta学习的加权方案，映射的GFS选择的特征树的权重，而DORF分配相同的权重为所有的树。LIDC-IDRI数据集上的实验结果表明，与现有方法（包括最先进的DORF）相比，该方法具有更好的性能。

2020-12-07cs.CV

一种用于森林搜救的机载光学切片无人机

An Autonomous Drone for Search and Rescue in Forests using Airborne Optical Sectioning

Johannes Kepler University Linz（林茨约翰·开普勒大学）

无人机将在未来的搜救（SAR）任务中在人机协作中发挥重要作用。我们提出了第一个原型，发现人们完全自主地在密集闭塞的森林。在不同森林类型和不同飞行条件下进行的17次实地实验中，我们的无人机发现了42个隐藏人员中的38个;对于预定义的飞行路径，平均精度为86%，而自适应路径规划（其中对潜在的发现进行了双重检查）将置信度提高了15%。图像处理、分类和动态飞行路径适应在飞行时实时计算。我们发现，基于深度学习的人员分类不受一维合成孔径内稀疏和易出错采样的影响，这使得飞行时间缩短，并将记录要求降低到使用二维合成孔径采样所需图像数量的十分之一。我们自适应路径规划的目标是尽可能可靠和快速地找到人，这在SAR等时间关键型应用中至关重要。我们的无人机能够在没有稳定网络覆盖的偏远地区进行SAR操作，因为它只向救援队传输指示检测的分类结果，因此可以在间歇性最小带宽连接（例如，卫星）。一旦收到，这些结果可以在视觉上增强，以便在远程移动设备上进行解释。

2021-05-10cs.CV

使用随机森林和投票分类器的深度学习方法在精神分裂症中进行个体识别：来自静息状态EEG流的见解

Individual Recognition in Schizophrenia using Deep Learning Methods with Random Forest and Voting Classifiers: Insights from Resting State EEG Streams

Tennessee Technological University（田纳西理工大学）；Shanghai Jiaotong University（上海交通大学）

近年来，对个体识别系统中大脑活动监测的研究越来越受到关注。到目前为止，这些工作主要集中在一些先进的脑监测模式收集的单通道数据或片段数据。在这项研究中，我们提出了新的个人识别方案的基础上时空静息状态脑电图（EEG）数据。此外，开发了旨在自动提取个人独特特征的改进深度学习架构来进行分类，而不是使用来自人工设计程序的特征。我们设计的深度学习框架被证明具有用随机森林替换$softmax$层的小但一致的优势。此外，在所设计的神经网络的顶部增加了一个投票层，以解决由EEG流引起的分类问题。最后，实施各种实验来评估所设计的深度学习架构的性能;结果表明，所提出的基于EEG的个体识别方案产生了高度的分类准确性：$81.6\%$用于高风险（高危）个体的特征，$96.7\%$用于临床稳定的精神分裂症首发患者（FES），$99.2\%$用于健康对照（HC）。

2018-01-17cs.CV

分类森林的学习转换

Learning Transformations for Classification Forests

Duke University（杜克大学）

这项工作介绍了一个基于转换的学习模型分类森林。每个分裂节点上的弱学习器在分类树中起着至关重要的作用。我们建议通过学习子空间上的线性变换，使用核范数作为优化标准来优化分裂目标。学习的线性变换恢复来自同一类的数据的低秩结构，并且同时最大化不同类之间的分离，从而提高分裂函数的性能。理论和实验结果支持所提出的框架。

2014-02-06cs.CVcs.LGstat.ML

基于体数据的农作物时空分类

Spatio-temporal Crop Classification On Volumetric Data

利用多光谱图像进行大面积农作物分类是几十年来广泛研究的问题，通常使用经典的随机森林分类器来解决。最近，已经提出了深度卷积神经网络（DCNN）。然而，这些方法只能达到与随机森林相当的结果。在这项工作中，我们提出了一种新的CNN为基础的大面积作物分类架构。我们的方法结合了通过3D CNN的时空分析以及通过1D CNN的时间分析。我们评估了我们的方法在Yolo和Imperial县基准数据集上的有效性。我们的组合策略在分类精度方面优于经典和最近的基于DCNN的方法，同时保持最少的参数数量和最短的推理时间。

2021-03-18cs.CV

一种用于高光谱图像逐瓦片油水分类的混合随机森林与CNN框架

A Hybrid Random Forest and CNN Framework for Tile-Wise Oil-Water Classification in Hyperspectral Images

Politecnico di Torino（都灵理工大学）

提出一种混合随机森林与CNN框架，通过在随机森林生成的概率图上训练CNN以整合空间上下文，有效提升了高光谱图像油水分类的召回率、F1分数和AUC等指标。

2025-02-01cs.AIcs.CV

使用多源卫星SAR与光学图像的森林制图深度学习模型迁移

Deep Learning Model Transfer in Forest Mapping using Multi-source Satellite SAR and Optical Images

Nanjing University of Science and Technology（南京理工大学）；VTT Technical Research Centre of Finland（芬兰VTT技术研究中心）；University of Minnesota（明尼苏达大学）

本文研究利用样地级测量将预训练深度学习模型迁移到目标区域进行森林变量预测，在芬兰两个泰加林地点结合多源SAR与光学图像验证，SeUNet取得优于传统方法的精度。

2023-08-09cs.CVeess.SP

一种解决二值分类问题的概率最优路径森林分类器

A Probabilistic Optimum-Path Forest Classifier for Binary Classification Problems

Federal University of São Carlos（圣卡洛斯联邦大学）；University of Western São Paulo（西圣保罗大学）；São Paulo State University（圣保罗州立大学）

概率驱动的分类技术扩展了传统方法的作用，仅输出标签（通常是整数）。这样的技术在处理其中人们不仅对识别/标识感兴趣，而且对例如监视消费者和/或机器的行为感兴趣的问题时更有成效。因此，通过概率估计，人们可以做出决定，以便在许多情况下更好地工作。在本文中，我们提出了一个基于概率的最优路径森林（OPF）分类器来处理二进制分类问题，我们表明它可以在一些数据集上比朴素的OPF更准确。除了更准确或不准确之外，概率OPF还成为科学界的另一个有用工具。

2016-09-04cs.CVcs.LGstat.ML

PureForest：一个用于纯林树种分类的大规模机载激光雷达与航空影像数据集

PureForest: A Large-Scale Aerial Lidar and Aerial Imagery Dataset for Tree Species Classification in Monospecific Forests

Institut national de l’information géographique et forestière (IGN)（法国国家地理与森林信息研究所）

针对树种分类深度学习研究缺乏大型高质量标注基准数据集的问题，本文推出大规模多模态数据集PureForest，覆盖449片纯林共339平方千米，含18个树种，同时给出标注流程、评估方法及2D/3D模态基线性能。

2024-05-14cs.CVcs.LG

通过分类生长回归森林：应用于目标姿态估计

Growing Regression Forests by Classification: Applications to Object Pose Estimation

Center for Automation Research, University of Maryland, College Park（马里兰大学帕克分校自动化研究中心）

在这项工作中，我们提出了一种新的回归树节点分裂方法，并将其纳入回归森林框架。不同于传统的二进制分裂，其中分裂规则是从一个预定义的二进制分裂规则集通过试错法，所提出的节点分裂方法首先找到集群的训练数据，至少局部最小化的经验损失，而不考虑输入空间。然后通过将问题转化为一个分类问题来确定尽可能保留已发现聚类的分割规则。因此，我们的新的节点分裂方法享有更多的自由选择的分裂规则，导致更有效的树结构。除了欧几里德目标空间，我们提出了一个变种，它可以自然地处理一个圆形的目标空间，通过适当使用循环统计。我们应用回归森林，采用我们的节点分裂头部姿势估计（欧几里德目标空间）和汽车方向估计（圆形目标空间），并证明所提出的方法显着优于国家的最先进的方法（分别减少38.5%和22.5%的错误）。

2014-07-15cs.CVcs.LGstat.ML

基于ASURF和VLAD优化的云森林分类器的无约束人脸识别

Unconstrained Face Recognition using ASURF and Cloud-Forest Classifier optimized with VLAD

Center for Pattern Recognition and Machine Intelligence, PES University（PES大学模式识别与机器智能中心）

本文提出了一种计算效率高的多类人脸图像分类算法，其中图像受到平移、旋转、尺度、颜色、光照和仿射失真的约束。该方法分为五个主要模块：用于人脸检测的Haar-Cascade、用于去除图像噪声的双边滤波器、用于关键点检测和描述的仿射加速鲁棒特征（ASURF）、用于特征量化的局部聚集描述符矢量（VLAD）和用于图像分类的云雾森林。所提出的方法旨在提高人脸识别系统的准确性和所需的时间。使用Cloud Forest算法作为分类器对三个基准数据集（即FACES 95，FACES 96和ORL面部数据集）进行分类，显示出良好的结果。所提出的方法，使用云森林算法成功地提高了识别模型2-12\%时，区别于其他集成技术，如随机森林分类器取决于所使用的数据集。

2021-04-02cs.CVcs.LG

利用深度学习和航空影像解决森林碳的高估问题

Tackling the Overestimation of Forest Carbon with Deep Learning and Aerial Imagery

Technical University of Munich（慕尼黑工业大学）；ETH Zurich（苏黎世联邦理工学院）；Massachusetts Institute of Technology（麻省理工学院）

森林碳抵消越来越受欢迎，可以在为气候减缓、森林保护和重新造林提供资金方面发挥重要作用。然而，测量森林中储存了多少碳在很大程度上仍然是通过昂贵，耗时，有时甚至是不负责任的实地测量来完成的。为了克服这些限制，许多验证机构正在利用机器学习（ML）算法来估计卫星或航空图像中的森林碳。航空图像可用于树种或科分类，从而改进了基于卫星图像的森林类型分类。然而，航空图像的收集成本要高得多，目前还不清楚更高的分辨率在多大程度上改善了森林碳估计。这份提案文件描述了通过基于深度学习的算法对热带再造林项目的航空图像、卫星图像和地面实况实地测量的森林碳估计的首次系统比较。我们的初步结果表明，对于热带重新造林项目，卫星图像的森林碳估计可能高估地上生物量高达10倍。航空和卫星衍生的森林碳测量之间的显着差异显示了基于航空图像的ML算法的潜力，并提高了将这项研究扩展到碳测量选项之间的全球基准的重要性。

2021-08-19cs.CVcs.LG

ForestNet：利用卫星图像上的深度学习对印度尼西亚森林砍伐的驱动因素进行分类

ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep Learning on Satellite Imagery

Stanford University（斯坦福大学）；Descartes Labs（笛卡尔实验室）；RTI International（RTI国际研究所）

确定导致森林砍伐的过程的特征对于制定和执行有针对性的森林养护和管理政策至关重要。在这项工作中，我们开发了一个名为ForestNet的深度学习模型，用于对印度尼西亚原始森林损失的驱动因素进行分类，印度尼西亚是世界上森林砍伐率最高的国家之一。利用卫星图像，ForestNet确定了任何规模的森林损失斑块中毁林的直接驱动因素。我们策划了一个数据集的Landsat 8卫星图像的已知森林损失事件与驱动程序的注释专家口译员配对。我们使用数据集来训练和验证模型，并证明ForestNet大大优于其他标准的驱动程序分类方法。为了支持未来对森林砍伐驱动分类自动化方法的研究，本研究中管理的数据集可在https://stanfordmlgroup.github.io/projects/forestnet上公开获取。

2020-11-11cs.CVcs.LGeess.IV

自适应特征选择引导的深度森林COVID-19胸部CT分类

Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT

Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；The Third Hospital of Jilin University（吉林大学第三医院）；Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院）；Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology（华中科技大学同济医学院附属同济医院）；Shanghai Public Health Clinical Center, Fudan University（复旦大学附属上海市公共卫生临床中心）；Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能科技有限公司）；Qianjiang Central Hospital, Jishou University School of Medicine（吉首大学医学院附属黔江中心医院）

胸部计算机断层扫描（CT）成为辅助诊断新型冠状病毒病（COVID-19）的有效工具。由于COVID-19在全球范围内爆发，使用基于CT图像的COVID-19分类的计算机辅助诊断技术可以在很大程度上减轻临床医生的负担。在本文中，我们提出了一种自适应特征选择引导的深度森林（AFS-DF）的COVID-19分类的胸部CT图像的基础上。具体来说，我们首先从CT图像中提取特定位置的特征。然后，为了用相对小规模的数据捕获这些特征的高级表示，我们利用深森林模型来学习特征的高级表示。此外，我们提出了一种基于训练的深度森林模型的特征选择方法，以减少特征的冗余，其中特征选择可以自适应地与COVID-19分类模型相结合。我们在COVID-19数据集上评估了我们提出的AFS-DF，其中包括1495名COVID-19患者和1027名社区获得性肺炎（CAP）患者。该方法的准确性（ACC）、灵敏度（SEN）、特异性（SPE）和AUC分别为91.79%、93.05%、89.95%和96.35%。在COVID-19数据集上的实验结果表明，与4种广泛使用的机器学习方法相比，所提出的AFS-DF在COVID-19 vs. CAP分类中具有更好的性能。

2020-05-07cs.CVcs.LGeess.IV

基于粗粒度引导森林与多中心损失的长尾分类

Long-Tailed Classification Based on Coarse-Grained Leading Forest and Multi-Center Loss

State Key Laboratory of Public Big Data, Guizhou University（贵州大学公共大数据国家重点实验室）；College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院）；Chongqing Key Laboratory of Computational Intelligence, Chongqing University of Posts and Telecommunications（重庆邮电大学重庆市计算智能重点实验室）

针对长尾分类中属性层面不平衡难处理的问题，提出基于粗粒度引导森林与多中心损失的框架，可无监督刻画类内属性分布、消除混淆属性，能集成于现有方法，在多个基准上达最优性能。

2024-08-15cs.AIcs.CV

最优路径森林分类器的增量线性时间学习算法

An incremental linear-time learning algorithm for the Optimum-Path Forest classifier

Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo（圣保罗大学数学与计算机科学研究所）

我们提出了一种基于最优路径森林分类器（OPF）的增量功能的分类方法。OPF将实例视为全连通训练图的节点，弧权值表示两个特征向量之间的距离。我们的算法包括新的实例在线性时间的OPF，同时保持类似的精度相比，与原来的二次时间模型。

2016-11-23cs.CVcs.LG

用于不平衡恶意软件类型分类任务的随机CapsNet森林模型

Random CapsNet Forest Model for Imbalanced Malware Type Classification Task

T. C. Kadir Has University（卡迪尔哈斯大学）

恶意软件的行为根据恶意软件类型而变化。因此，了解恶意软件的类型会影响系统保护软件的策略。许多由机器和深度学习授权的恶意软件类型分类模型实现了预测恶意软件类型的卓越准确性。基于机器学习的模型需要进行大量的特征工程，而特征工程是影响模型性能的主要因素。另一方面，基于深度学习的模型比基于机器学习的模型需要更少的特征工程。然而，传统的深度学习架构和组件导致非常复杂和数据敏感的模型。与经典的卷积神经网络架构不同，胶囊网络架构最大限度地降低了这种复杂性和数据敏感性。提出了一种基于自举聚集技术的集成胶囊网络模型。该方法在两个恶意软件数据集上进行了测试，其最先进的结果是众所周知的。

2020-08-23cs.CRcs.CVcs.LG

多模态防御目标子挑战的BERT、随机森林和SVM方法变体

Variants of BERT, Random Forests and SVM approach for Multimodal Emotion-Target Sub-challenge

Chonnam National University（全南国立大学）

近年来，情感识别已成为计算机视觉的一个主要问题，研究人员为克服这一难题做了大量的工作。在情感计算领域，情感识别有着广泛的应用，例如医疗保健、机器人、人机交互等。由于其对其他任务的实际重要性，许多技术和方法已被研究用于不同的问题和各种数据源。然而，如何将视听和语言两种形式全面融合，并从中获益，仍然是一个亟待解决的问题。在本文中，我们提出并讨论了我们的分类方法MuSe主题子挑战，以及数据和结果。对于主题分类，我们集成了两个语言模型ALBERT和RoBERTa来预测10类主题。此外，对于效价和唤醒的分类，SVM和随机森林与特征选择相结合，以提高性能。

2020-07-28cs.CLcs.CVcs.LG

基于随机森林集成的Sentinel-1与Sentinel-2融合影像土地利用/土地覆盖分类

Land use/land cover classification of fused Sentinel-1 and Sentinel-2 imageries using ensembles of Random Forests

Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）

本研究针对随机森林在LULC分类中的局限，构建结合三种随机旋转方法的随机森林集成，融合Sentinel-1 SAR与Sentinel-2 VNIR-SWIR影像开展分类实验，验证了影像融合与纹理特征的提升作用并优化了贝叶斯融合代码速度。

2023-12-19cs.AIcs.CVeess.IV

利用随机向量函数神经网络和斜决策面增强随机森林的多类分类

Enhancing Multi-Class Classification of Random Forest using Random Vector Functional Neural Network and Oblique Decision Surfaces

School of Electrical and Electronic Engineering Nanyang Technological University（南洋理工大学电气与电子工程学院）

神经网络和决策树都是流行的机器学习方法，并被广泛用于解决来自不同领域的问题。这两个分类器是集成框架中常用的基分类器。本文首先在线性分类器的基础上提出了一种新的斜决策树，然后将快速神经网络、随机向量函数连接网络和斜决策树相融合，构造了一种集成分类器。随机向量函数链接网络具有优雅的封闭形式解决方案，训练时间极短。神经网络在根级别将每个训练袋（使用装袋获得）划分为C个子集，其中C是数据集中的类的数量，并且随后，在这样的划分上训练C个倾斜决策树。所提出的方法提供了一个丰富的洞察数据分组的混乱或难以分类的样本为每个类，从而提供了一个机会，采用细粒度的分类规则的数据。集成分类器的性能进行了评估，在几个多类数据集，它表现出优越的性能相比，其他国家的最先进的分类器。

2018-02-05cs.CVcs.LGstat.ML

使用UAV车载摄像头和深度学习对树木进行自动分类

Automatic classification of trees using a UAV onboard camera and deep learning

Kyoto University（京都大学）；Japan Science and Technology Agency（日本科学技术振兴机构）

利用遥感数据对树木进行自动分类一直是许多科学家和土地利用管理者的梦想。近年来，无人机（Unmanned Aerial Vehicles，UAV）被认为是一种易于使用、成本低廉的森林遥感工具，而深度学习因其与机器视觉相关的能力而备受关注。在这项研究中，使用商用无人机和公开的深度学习软件包，我们构建了一个机器视觉系统，用于树木的自动分类。在我们的方法中，我们将无人机拍摄的森林图像分割成单个树冠，并进行基于对象的深度学习。结果表明，该系统能够以89.0%的准确率对7种树木类型进行分类。这一性能值得注意，因为我们只使用来自标准无人机的基本RGB图像。相比之下，大多数以前的研究使用昂贵的硬件，如多光谱成像仪，以提高性能。这一结果意味着我们的方法有可能以具有成本效益的方式对单个树木进行分类。这对许多森林研究人员和管理人员来说是一个有用的工具。

2018-04-27cs.CVcs.LGstat.ML