每天一篇paper 之AAM

之所以写这篇博客是因为昨天调一个师兄程序的时候，出现一个问题就是在求解的时候，需要知道 alpha, beta, gamma 的取值。需要知道三个顶点的位置自己不知道怎么给，啰嗦了那么多，想让自己知道看这篇paper 的目的是什么。

2.3.1.本文的主要目的是求解一个目标函数：

 

2.3.2无效的梯度下降算法：

Levenberg-Marquardt (LM)算法跟随机梯度下降算法被用来解决这个问题;

这两个算法的优点是：

They use a principled, analytical algorithm,the convergence properties of which are well understand .

缺点是：

这些梯度下降算法都下降的很慢，他们的部分导数，海森阵，梯度方向在每一次迭代的时候都需要重新计算。

我想问的是：LM 算法的下降速度或者很慢，牛顿法的下降速度应该是不慢的吧。

我记得听过袁亚湘讲过一次优化，说是计算hessian 阵的逆矩阵的代价太大了，所以我们用不起，我在code 里面发现作者好像是用到hessian 阵，现在想来可能是当n 很大的时候，hessian阵的计算代价很大，但是n=2 时，我们还是可以运算的。所以学知识要融会贯通一点。

梯度下降的维基百科：

http://zh.wikipedia.org/wiki/%E6%9C%80%E9%80%9F%E4%B8%8B%E9%99%8D%E6%B3%95

2.3.3 有效的Ad-Hoc Fitting 算法

由于标准的梯度下降算法下降的太慢了，所以针对这个问题，我们有一些专门的算法。

这些算法的思想是：

我们假设误差图像 与shape 和appearance 的增量之间是线性关系，因此：

我们满足：

 

 

此处