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 »
近日,我们的应用,在编译的时候不幸的遇到这个错误
Conversion to Dalvik format failed: Unable to execute dex: method ID not in [0, 0xffff]: 65536
这才让我意识到原来我们的程序中,方法数已经超过了65536。在之前,已经知道了android系统的java虚拟机dalvik在执行java程序时,使用原生类型short来索引dex文件中的方法,因此方法数就呗限制在65536了。之前我一直以为,这个数量已经很大了,不会达到上限,结果今天就达到了。
不过这个东西呢,我们也是很容易的进行解决的,因为,就在去年不久前,google官方提供了多dex继续阅读 »
去年在美图公司实习的时候,研究了一段时间的SDM方法,写了一系列的博客,见《Supervised Descent Method and its Applications to Face Alignment》等,今年来到了杭州,进入了图片社交领域的佼佼者in实习,主要还是做人脸对齐。最近一段时间,一直在研究《Face Alignment at 3000 FPS via Regressing Local Binary Features》这篇文章,也为此搜集了很多资料,特整理在此,以供参考。
paper:
3000fps论文链接:
Face Alignment at 3000 FPS via Regressing Local继续阅读 »