編譯：ronghuaiyang
逐步的增加訓練的難度，讓模型越來越準確。
這裡給大家介紹關鍵點定位的另乙個損失函式，但現在我們使用的是熱圖，我們使用2d概率圖。(但這種損失有點特殊，因為它會自適應ground truth資料，並進行梯度控制)。
因此，某些損失的值會更集中，如中小損失。
對於任何與計算機視覺相關的任務，如果我們需要檢測關鍵點的話，通常準確的**這些關鍵點是很難的。
這個方法能給出令人印象深刻的結果，非常的準確。大多數現有的深度學習方法都是輸出座標或熱圖。
首先，對二維高斯分布進行展開，但隨著訓練的進行，它會變得更加精確，這很好，因為網路正在處理乙個更困難的問題。首先，我們將使用較大的方差，因此訓練可以更容易地進行，然而，隨著訓練的進行，我們將變得更精確。
本文的特別之處在於，他們建立了乙個基於自適應損失函式的應用，這是非常有趣的。模型需要更少的迭代就能收斂了，這是很好的優點。
他們使用的是熱力圖的回歸方法，他們的損失函式是專門建立的，在建立損失函式之前考慮優化器。這是一種創造自適應損失函式的有趣方法，我們需要設定一些超引數，並根據這些值改變梯度，而不是調整優化器。
如上圖所示，損失值在變小，這是因為adaloss能夠適應當前的誤差損失值，使事情變得更加困難，從而獲得更好的精度。
他們使用了不同的資料集 —— 醫學影象和cat影象。
adaloss真的很好，更好的收斂性。而且距離變得更精確了。
損失值變得更小了，模型也更精確了。
在這裡我們可以看到，高斯分布的標準差變小了，並且在收斂時並沒有減小。
哇，這是非常好的特點，在做人臉關鍵點檢測的時候，我們能夠為某些部位設定特定的σ值，這樣就可以專注於人臉的特定部位。
眉毛和下巴的輪廓很難**，因為它們可能被遮住了，或者因為那裡的角點沒有顯示出來。
我們可以觀察到作者的方法給出了很多穩定的結果，將這種方法用於不同的應用，如醫療手術，是另乙個偉大的應用。
他們能夠提高結果的狀態 —— 這要歸功於建立了乙個新的損失函式，在這個函式中，隨著訓練的繼續，問題會變得更加困難(梯度控制)。
—end—
英文原文：
喜歡的話，請給我個在看吧！
SIFT（4） 關鍵點定位
關鍵點精確定位 離散空間的極值點並不是真正的極值點，圖4.1顯示了二維函式離散空間得到的極值點與連續空間極值點的差別。利用已知的離散空間點插值得到的連續空間極值點的方法叫做子畫素插值 sub pixel interpolation 差值中心偏移量大於0.5時 即x或y或 意味著插值中心已經偏移到它的...
人臉關鍵點定位3000fps的LBF方法
整體來看，其實 esr是基礎版本的形狀回歸，ert將回歸樹修改為gbdt，由原始的直接回歸形狀，改進為回歸形狀殘差，而lbf，是加速特徵提取，由原來的畫素差分特徵池，改為隨機選擇點。基於lbf方法的人臉對齊，出自face alignment at3000 fps via regressing loc...
三點定位的演算法
三點定位，已知a,b,c三個頂點的x,y座標 和三個點都z座標的距離，la，lb,lc 求z點的座標 原理就是圍繞a,b,c 三個點畫圓，三個圓焦點的部分就是所求 但是，由於三個點的距離可能不准，不一定會有結果，所以是三個圓環的焦點，環的寬度開始為0，沒有取到則加1 執行gcc lm test.c ...