python中 *、*args 和 **、 **kwargs以及的用途

《统计学习方法》（李航）学习笔记

我在一个大的数据集上训练模型时，终端或vscode界面老是在程序在跑第3个epoch的过程中自动被卡退，注意不是程序报错，而是直接将vscode退出，连错误都不报这就是头疼之处，并不知道问题出现在哪里

计算机视觉领域期刊信息收集

为了引入人体结构先验，最近的文本驱动 3D 人体生成研究将 SDS 与 SMPL 等模型结合起来。具体来说，一个常见的做法是将人体先验集成到网格（mesh）和神经辐射场（NeRF）等表示中，或者通过将身体形状作为网格 / 神经辐射场密度初始化，或者通过学习基于线性混合蒙皮（Linear Blend Skinning）的形变场。然而，它们大多在效率和质量之间进行权衡：基于 mesh 的方法很难对配饰

Paper：https://openaccess.thecvf.com/content_iccv_2013/papers/Burgos-Artizzu_Robust_Face_Landmark_2013_ICCV_paper.pdfDataset:https://data.caltech.edu/records/20099动机在这篇文章中，作者为了解决面部关键点估计时的遮挡和形状的差异问题，提出了

【机器学习】《概率论与数理统计》基础知识笔记

3D-FRONT数据集Readme

目前的计算机视觉模型都是在提前定义好类别的标签集合（数据集）中进行训练的，但是这些监督信号是有限制性的，就导致了限制了模型的泛化性和通用性，尤其是当模型面对新的类别的时候。因此作者提出了一种想法，通过语言信号来监督视觉模型，因为这样的数据是非常容易获取的。作者在互联网上爬了一个有4个亿的图像文本对数据集，来使用多模态的对比学习来训练模型，使用自然语言来引导视觉模型做物体的分类。实验结果证明，CLI

基于深度网络的热力图回归方法已成为定位面部关键点的主流方法之一。但是，目前对热力图回归的损失函数的研究却很少。本文对人脸对齐问题中热图回归的理想损失函数性质进行分析。然后，我们提出了一种新的损失函数，称为 Adaptive Wing Loss，它能够使其形状适应不同类型热力图像素的ground truth。这种适应性对前景像素的损失更大，而对背景像素的损失更少。为了解决前景和背景像素之间的不平衡问