基于Poisson过程的随机森林深度特征选择：降低人体姿态估计内存消耗

本文研究关注于解决在基于随机森林的人体姿态估计系统中内存占用过大这一问题。传统的人体姿态估计系统采用随机森林作为分类器，然而这种模型在处理大规模数据时可能会导致内存消耗过高，特别是在处理深度特征时，这限制了系统的实际应用范围和效率。为了解决这个问题，作者提出了一个创新的优化随机森林模型。 该模型的核心在于预处理阶段，即在进行Bootstrap抽样之前，引入了Poisson过程。Poisson过程是一种概率论中的离散随机过程，它描述的是在一定时间区间内随机事件发生的次数的概率分布。在这里，它被用来构建一个滤波网，结合深度信息对原始训练数据集进行筛选。通过这种方式，那些对后续分类不产生积极影响的特征样本点被剔除，从而减少冗余和提高样本的代表性。 深度信息通常指用于描述物体三维结构的像素特征，如深度图或深度传感器数据。通过与Poisson过程结合，模型能够更智能地选取对姿态估计关键的深度特征，减少了内存需求的同时提高了模型的准确性。这种方法避免了随机森林模型中常见的重复抽样和样本选择偏差，从而提升了整体性能。 经过优化重构后的训练数据集，不仅内存占用降低，而且提高了算法的执行效率。实验结果显示，该方法显著降低了系统的时空复杂度，使得基于随机森林的人体姿态估计系统在实际应用中更具优势，更适合在资源有限的设备上运行。此外，文章还提到了具体的实现细节，包括研究团队来自湖南第一师范学院信息科学与工程学院和长沙理工大学计算机与通信工程学院，以及他们的研究发表在《计算机工程与应用》杂志2017年第五十三卷第二期，从172页到176页，详细阐述了模型的理论基础和实验验证的结果。 这篇论文提供了一种有效的方法来优化随机森林在人体姿态估计中的应用，通过深度特征选择和Poisson过程的巧妙结合，提升了系统的内存效率和实用性，对于在计算资源受限的环境中进行高效的人体姿态估计具有重要意义。