发表于 | 分类于

训练阶段我们采用了分批处理，可以优化部分内存。

原先我们的代码使用一次性载入数据，然后开始若干次迭代，直至收敛。这样保存image与shape的数据矩阵Data就一直占用内存，但实际上，数据集的image与shape 的作用仅仅是计算$\Delta X$和$\Phi$，两变量的定义参考《 Supervised Descent Method and its Applications to Face Alignment》，其实也就是init shape与true shape的差值以及init shape的特征向量。计算完了，Data就没用了。于是我们设想分批处理，每次迭代载入一次数据，用完了就clear。这样就需要载入多次，可能时间上会浪费的比较多，但还好，可以承受。而且每次载入数据的时候，也使用分批处理，一次只载入10幅图片的Image/shape，算完了就clear。

阅读全文 »

发表于 | 分类于

我们下载了Github上的代码，并仔细阅读了其中的细节。最后我们对源代码做了一些修正(新代码已上传到Github)，主要包括：

  • 修复了代码运行中出现的一些bug
  • 添加了一些函数，使代码更简洁
  • 训练阶段我们采用了分批处理，优化了内存
  • 参考论文《Extended Supervised Descent Method for Robust Face Alignment》，优化了源程序
  • 在测试阶段，我们使用了逆的缩放和平移变换将得到的aligned_shape
    转换为原始图片的特征点true_shape
  • 添加了详细的注释，使之更容易明白。
阅读全文 »

发表于 | 分类于

本文是笔者在阅读众多资料，包括网上资料、教科书的基础上，编写而成。
其基本写作框架是：
1.从数学的角度，对奇异值分解做更加准确的描述，包括定义和性质；
2.matlab的奇异值分解函数简介；

阅读全文 »