La creación de divisiones del árbol en el bosque Hough

Question

Estoy trabajando en mi tesis y el trabajo de la máquina de aprendizaje. El problema general es la Detección y el Reconocimiento de la Carretera de Inventario.

Para mi investigación parte estoy buscando en los árboles de decisión, especialmente Hough bosques. Hay algunas áreas en las que necesitan más información y si alguien ha trabajado con este me podría ahorrar algo de tiempo y obtener más tiempo para hacer nuevas investigaciones científicas.

Así que aquí están algunas preguntas relacionadas con el área, que me gustaría discutir. (Voy a hacer referencia a esta cuestión en mi tesis si alguien traigan algo para la investigación científica).

Basado en Hough Bosques por objeto la detección, el seguimiento y la acción de reconocimiento por parte de la Vesícula, Juergen et al. y otros artículos relacionados con el uso de random forests (bosques de las decisiones de los árboles), la mayor parte de lo que me he encontrado han descrito y utilizado de formación se divide basa en la comprobación de si la diferencia de dos funciones (etc. el x-gradiente de la p y q posición en píxeles) en un parche de la imagen son más bajos, a continuación, dividir el valor de tau. Entonces la mejor split se encuentra en el lugar donde la ganancia de información es mayor, (es decir, dividir los datos en dos de los más distintivos de los subgrupos).

Un par de años antes de estos artículos, de lo que me sale todo origen de la obra de Breiman. La aplicación está disponible en OpenCV.

1. ¿Ha habido algún trabajo en los dos métodos, el de OpenCV implementación y el delineado idea en Gall et al. La diferencia total es el camino de la división se realiza. Gall et al comparar dos características en p y q, OpenCV seleccione una función para encontrar el mejor partido para ella. Es uno de los métodos para preferir?
2. El agujero de la escala de parte de Gall et al. trabajo. De lo que me pasa, todo positivo objetos a escala, tales más largo de la dimensión espacial a una unidad de tamaño de alrededor de 100 píxeles. Tengo la razón para hacerlo, pero cuando se toma en el hecho de que la prueba de la imagen no son a escala de todo, esto no significa que ellos están tratando de coincidir con un parche de la imagen de tamaño X con el diccionario parches de la imagen de otro tamaño. Cant este ser hecho de una manera mejor?

Puede crear preguntas de seguimiento como mi trabajo continúa, pero me gustaría hablar de estos adelgaza, ya que me parece interesante para mi proyecto y estoy seguro de que hay gente ahí fuera que trabajó toneladas de horas en temas similares.

Answer 1

También estoy haciendo una investigación sobre la detección de objetos con Hough bosques, así que tengo algunas observaciones sobre el método.

1. La regla de división no está escrito en piedra. La razón alineado al eje de división reglas (una coordenada) son los preferidos es que son muy sencillos de evaluar. Tomar dos coordinar diferencias es también muy simple. Sin embargo, he encontrado que estos las condiciones de división a veces son demasiado débiles, especialmente para la regresión de la parte de la selva. El uso de más lineal general se divide en un subconjunto aleatorio de las coordenadas que funciona mejor para mí (por supuesto, a costa de tiempo de cálculo).
2. Estoy tratando de evitar el escalamiento, que es entrenar en el bosque en todas las escalas a la vez. La razón principal es la eficiencia en el tiempo de la prueba, porque a utilizar el bosque como Gall et al sugieren, que tiene que procesar la imagen en múltiples escalas, que es mucho tiempo. Otra razón es que debido al efecto de la perspectiva, la escala no da la apariencia de los objetos a ser similar. Debo señalar que varios autores encontraron que el entrenamiento de un clasificador para las escalas múltiples de aspecto es demasiado difícil. Todavía no estoy seguro de ello.