联合最大纯度森林及其在图像超分辨率中的应用

本文提出了一种新颖的随机森林方案，即联合最大纯度森林（JMPF），用于分类、聚类和回归任务。在JMPF方案中，通过一个训练得到的旋转矩阵，原始特征空间被转换为一个紧凑的预聚类特征空间。该旋转矩阵通过迭代量化过程获得，在此过程中，属于不同类别的输入数据以最大纯度被聚类到新特征空间的相应顶点。在新特征空间中，随机森林决策树分裂节点处使用的正交超平面能够有效解决聚类问题。我们在公开基准数据集上评估了所提出的方法用于回归和分类任务，实验表明JMPF显著优于其他最先进的基于随机森林的方法。此外，我们将JMPF应用于图像超分辨率，因为转换后的紧凑特征对聚类-回归方案更具判别力。在多个公开基准数据集上的实验结果也表明，基于JMPF的图像超分辨率方案始终优于近期最先进的图像超分辨率算法。