本文提出了一种基于随机森林的相机定位方法，通过采用样本平衡策略和修正不正确的 2D-3D 对应关系，可以在室内和户外的 RGB 应用场景中实现相对准确的定位效果。

Oct, 2017

本研究基于深度回归森林（DRF）模型，提出了一种端到端感知的方法，通过连接分裂节点和卷积神经网络 (CNN) 的全连接层，在困难的数据环境下，实现面部图像年龄估计，并在三个标准数据集上实验，取得了最先进的结果。

Dec, 2017

本文提出一种基于 Hough Forests 的单个快速检测器和 6D 对象位姿估计算法，利用非监督深度不变 Patch 学习无需手动设计特征，以实现在复杂场景中的目标检测和 6D 位姿估计，并在多个领域超过最先进的方法。

Dec, 2015

本文提出的潜类 Hough 森林算法可用于高度混杂和遮挡场景下的目标检测和六自由度姿态估计，通过模板匹配特征和新颖的基于模板的分裂函数来改进回归森林，提供了准确的前景遮挡、背景杂波估计和更好的检测率，同时还可以提供准确的遮挡感知分割掩模。

Feb, 2016

本文研究了 CART 方法构建的回归树的统计特性，发现训练误差由每个节点中的最优决策树与响应数据的 Pearson 相关性控制，并通过构建先验分布和解决非线性优化问题来限制其范围，利用训练误差和 Pearson 相关性之间的联系来展示当深度随样本大小的对数尺度变化时，使用 cost-complexity pruning 的 CART 方法可以实现最佳复杂度 / 拟合度权衡，同时，数据相关量可以适应回归模型的维度和潜在结构，控制预测误差的收敛速度。

Jun, 2020

该研究提出了一种基于 K 聚类回归森林和三维仿射姿态回归的人脸对齐流程，改进了面部形状初始化，使用金字塔 HOG 特征和加权分裂（KRFWS）的 K 聚类回归森林进行面部对齐，实验表明该方法在 IBUG 数据集上提高了 20%，并在整个 300-W 数据集上取得了最新的精度。

Jun, 2017

我们扩展了决策树和随机森林算法到混合曲率的产品空间，并在该研究中展示了通过在产品流形中进行简单、表达丰富的分类和回归来克服已有限制，并证明了与环境空间中的欧氏方法相比，在覆盖了各种曲率的组分流形和产品流形上具有卓越的准确性。

Jun, 2024

该论文提出了一种算法，该算法能够基于全局目标同时优化决策树的所有级别的分裂函数和叶参数，使用随机梯度下降进行优化，实验结果表明，该算法相比贪心算法在分类任务的表现优秀。

Nov, 2015

该研究提出了两种基于深度可微随机森林方法的年龄估计模型：Deep Label Distribution Learning Forest 和 Deep Regression Forest，通过对分割节点和叶节点进行交替优化学习更好的树形参数估计，取得了三个年龄估计数据集上最优的性能表现。

Jul, 2019

本研究提出了一种优化多元线性阈值函数作为决策树分裂函数以创建改进的 Random Forest 分类器的新算法，相较于标准的树归纳方法，该方法采用随机梯度下降优化每个节点的线性组合（斜）分裂函数，比之前的构建斜树的技术和单变量分裂函数的随机抽样和穷举搜索方法具有更好的性能，已在多类分类基准测试和 Labeled Faces in the Wild （LFW）数据集上进行了实验验证。

Jun, 2015