之前在服务器上跑深度学习代码时，一直用的虚拟环境（），安装很多包的时候需要管理员权限。虚拟环境安装教程推荐：https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001432712108300322c61f256c74803b43bfd65c6f8d0d0000最近重新配置了ana..

之前在服务器上跑深度学习代码时，一直用的虚拟环境（），安装很多包的时候需要管理员权限。虚拟环境安装教程推荐：https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001432712108300322c61f256c74803b43bfd65c6f8d0d0000最近重新配置了ana..

最终结构约束定义为：也就是说，模型被要求不仅预测对每个点，还要让整套关键点关系尽可能接近真实骨架。总的来说，SalPose是一篇问题定义明确、方法设计有针对性、实验也比较完整的工作。怎么让模型更好地感知小目标？用显著性检测分支先定位目标区域。怎么让模型在小目标上学得更稳？用关键点结构相似性约束代替部分纯距离监督。怎么验证这类方法确实有效？构建真正面向微小目标的 RP-5.7K 数据集并做系统实验。

整篇方法可以概括为两个核心组件。第一部分是 SAL，用源域标注数据构造骨架图样本对，学习“异常骨架”的判别知识；第二部分是 SADA，把这种知识用于目标域伪标签生成、无伪标签样本约束以及跨域联合训练。总体来看，这篇论文的价值不只在于提出了一个性能更好的模型，更在于它提供了一种新的问题拆解方式。传统跨域姿态估计往往围绕“如何对齐源域和目标域”展开，而这篇论文把关注点前移到了“如何判断目标域预测结果是

总体来看，Hi-Motion 是一篇思路非常清楚的工作。它没有单纯依赖更大的模型或更复杂的训练技巧去提升动作生成质量，而是从任务结构本身出发，重新组织了“文本—意图—动作”的生成链条。在复杂动作生成中，先建模运动意图，再生成动作细节，可能比直接生成完整动作更自然、更稳定，也更具可解释性。这也是 Hi-Motion 最值得关注的地方。它提醒研究者，生成模型的提升，不一定只来自更强的拟合能力，也可能来

本文将介绍一篇基于自监督的3D人体姿态估计方法，作者来自德国汉诺威大学和加拿大英属哥伦比亚大学。论文链接：https://arxiv.org/abs/2011.14679代码链接： 尚未公开主要思想：本文提出了一个利用多视角2D图像估计3D人体姿态的模型，主要框架如下图所示。首先将同一姿态不同视角下的图像分别输入两个共享权重的Lifting网络，这部分网络输出为两个分支，一个分支输出标准坐标下的3

基于主成分分析（PCA）实现人脸识别（Eigenface）