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，可能时间上继续阅读 »
论文《Extended Supervised Descent Method for Robust Face Alignment》对SDM方法做了扩展，使程序更鲁棒。
more
论文主要在三方面做了Improments,分别是：
Adaptive Feature Block
在初始的SDM方法中，我们使用fixed-size blocks去提取SIFT特征进而预测shape。但实际上，从直观上来看，the feature extraction block size与the value of shape increment有很大关系。当shape increment比较大时，我们应该提取较大块的SIFT特征，这样就可以获取更多有用继续阅读 »