專案中我用到的分類器是隨機森林。 

理解隨機森林，我先po一篇論文。George Vosselman教授的 

http://www.sciencedirect.com/science/article/pii/S0924271616306207 

這裡面用到的分類器是CRF以及RF； 

這裡面是基於segment-based classification的論文，其中feature的計算是基於segment的 用的是條件隨機場，條件隨機場的思想和圖割非常相近。

都是分為 associate potential 以及 interactive potential 

associate potential 就是沒有neighborhood,直接自己單個點的進行分類.

interactive potential 就是neighborhood之間的分類。

CRF是個無向圖是為上下文分類提供一個概率框架，接下來看https://wenku.baidu.com/view/6ff1fa6952ea551811a68752.html?qq-pf-to=pcqq.c2c 這個網站第一部分 Discrete Optimization：graph cuts and Belie propagation  讀一讀就行了，主要是計算min-cut,能量最小值也是max flow,也就是（data term, smooth term），當處理一個label的時候，共同處理所有的pixel, 其他pixel為第二類，對每個pixel一個個的處理。如果要是把這個pixel誤分為其他label的話，那麼就麻煩了，以為其他label可能是 2 3 4 5 6 那麼，很難找到那個pixel屬於哪個類。所以即使是錯分，也要把其他label pixel分為1 . 這個裡面的思想和CRF的總體思想大概一致，但是寫的更加的詳細。CRF 通過確定graph structures, 模型 用作potential 以及features來進行應用，而graph structure  model 以及features都是可以進行自己選的。比如你可以用RF作為先前概率輸出的分類器，當然線性的也可以。

CRF的一個重要特徵是：它是基於其他分類器輸出的概率結果，舉個例子： RF輸入的是每一個點以及點的特徵，然後輸出的是vote就是概率vector, 然後獲取哪個label最大的概率，這個點就是那個label了，而CRF就是基於這個概率輸出，然後進行再一次分類。 CRF也可以用為一個點的分類。 輸入的資料也是基於其他分類器輸出的概率結果。

還有訓練的時候最好每個類別都要選取同樣的sample，即使有的類別可能點雲更多區域更大， 而有的點雲區域小，點雲多，但是 還是要儘可能選取同樣數量的數量，這個很多文章都有提到過！

問題就是再次分類怎麼找概率？而且怎麼用程式？

RF是由T個random decision tree來組成的，每棵樹都是獨立進行訓練，訓練的資料都是隨機選擇的，對於RF來講，重要的引數是樹的深度，以及需要訓練的最小數量的samples. 分類的時候每課樹進行投票，最後獲得投票數量最多的就是那個label. 而隨機森林差不多是associate potential 是一個點進去一個點出來概率。

注意：分類器都是需要先用reference data和features來進行訓練，訓練出一個模型，然後輸入模型和需要分類的資料得到分類結果！