文章信息與源碼來源
- <Structured Class-Labels in Random Forests for Semantic Image Labelling>
- http://www.dsi.unive.it/~srotabul/#publications
Random Tree 類庫設計分析
- 看完作者的源碼，對C++的繼承與派生，派生，更爲深刻的理解。基類指定規則，固定好程序的算法框架或者是邏輯流程，派生類則給出一個具體的細節化的方案，使用什麼樣的數據類型，具體每一步的執行過程怎麼定義；使用模板類給出抽象化的類型，使用virtual函數給出抽象的流程，比如在RT中的split虛函數，作爲構樹過程中很重要的一環，基類指定了這個函數實現的是對當前節點的數據分流功能，規定函數的輸入是當前節點Node，返回值是數據的分流結果，左右數據流的統計信息，當前節點的路徑選擇函數的參數，但是至於怎樣的實現，是在派生類中完成的。
- 幾個具體的RT成員分析：RT在設計過程中更加註重的是構樹這個過程以及樹本身的物理含義，從數據結構的角度分析：與上一篇文章相似，節點在構樹過程中需要保存哪些信息，路徑選擇函數的參數信息，自己的左右兩個孩子節點的鏈接信息，自己要處理的數據流的頭尾信息，如果是leaf節點，自己對應做出的預測是什麼？驅動節點生成的結構：程序邏輯上是非leaf節點都要加入隊列建立自己的孩子節點。
- ①建立root節點，使用這棵樹的全部訓練樣本初始化root節點
- ② 將root 加入到驅動隊列vec_0中
- ③ 檢測驅動隊列vec_0中有節點存在，逐個爲所有的節點選擇最優的數據流分割方案，保存最優的路徑分割函數的參數，輸出分割後的數據流（已經完成了重排序，排序總是一個焊好的功能），如果能並生成自己的左右孩子節點（構建好鏈接關係），使用分流的數據分別初始化孩子節點，leaf == false；如果當下節點不能生成孩子節點， leaf==true;
- ④檢測vec_0中的所有節點，如果是非leaf節點,將孩子節點全部放入vec_1中，如果是leaf節點，依據該節點的所有數據流，生成節點標籤Prediction，但是不加入vec;
- ⑤ vec_0 vec_1 地位交替，清空已經處理完的那個vec,作爲下一層孩子節點加入訓練的驅動結構，直到另一個vec也是空，只有leaf==false 的節點纔會有子節點，才能把子節點加入到vec中繼續對數據進行分流。
RT或者Random Foresrt引入結構化信息
- pixel - image patch - feature patch - RF - label patch - label ;
- 所謂的結構化信息，在這篇文章中指的是上下像素類別的位置信息，原來對於一個點pt(x,y)，取出局部patch，計算feature vector ，按照pt對應的類別標籤完成訓練，訓練樣本是從Rn -> R ; 機構化的信息，類別不再是real value ，而是一個具有相互制約關係的vector,反應在圖像上就是像素與其鄰域像素的各自類別的對應關係信息，從feature patch ==> label 變化 feature patch ==》 label patch ;輸出的變化帶來的問題
- ① 對於分流評價的指標：information gain 的計算
- ② 訓練過程中隨機樹的leaf節點的輸出怎樣計算：從leaf的數據流中找出最好的一個作爲標籤
- ③ 使用過程中，一個樣本使用RF，每一個RT都會有個標籤輸出，怎樣進行merge model
- ④ 一個像素點pt 使用Structured RF 後會產生一個label patch , 相鄰位置的像素點pt-0也會產生label patch 來影響當前節點的label，怎樣確定！
源碼分析
- 虛函數的使用
- 模板類的構建與使用
- 面型對象的多態機制，什麼時候 以及爲什麼使用多態
- 怎樣閱讀C++的類庫？流程！
- 基於RT實現自己的解決方案，需要考慮哪些問題？