Ray3D: ray-based 3D human pose estimation for monocular absolute 3D localization (CVPR'2022)Ray3D: 基于射线的三维人体姿态估计，用于单目绝对三维定位摘要本文提出了一种新颖的基于单眼射线的3D (Ray3D) 绝对人体姿态估计，带有校准相机。从单目2D姿势输入中准确且可概括的绝对3D人体姿势估计是一个不适定的问题(ill-posed problem)。ill-posed problem： ill-posed就是不well-posed. well-posedness的定义就是解存在唯一以及稳定。适定问题（Well-posed problem）是指满足下列三个要求的问题:1)解是存在的;2)解是惟一的;3)解能根据初始条件连续变化，不会发生跳变，即解必须稳定。这三个要求中，只要有一个不满足，则称之为不适定问题（ill-posed problems） 不适定 ill-posted问题： 世界坐系下 不同参数组合可能得到相同的二维投影 (a). 身体大小和摄影机的距离都
神经网络中权值初始化的方法权值初始化的方法主要有：常量初始化（constant）、高斯分布初始化（gaussian）、positive_unitball初始化、均匀分布初始化（uniform）、xavier初始化、msra初始化、双线性初始化（bilinear）、数学方法 Kaiming初始化、orthogonal正交初始化。常量初始化(constant)把权值或者偏置初始化为一个常数，具体是什么常数，可以自己定义高斯分布初始化（gaussian）需要给定高斯函数的均值与标准差positive_unitball初始化让每一个神经元的输入的权值和为 1，例如：一个神经元有100个输入，让这100个输入的权值和为1. 首先给这100个权值赋值为在（0，1）之间的均匀分布，然后，每一个权值再除以它们的和就可以啦。这么做，可以有助于防止权值初始化过大，从而防止激活函数（sigmoid函数）进入饱和区。所以，它应该比较适合simgmoid形的激活函数均匀分布初始化（uniform）将权值与偏置进行均匀分布的初始化，用min 与 max 来控制它们的的上下限，默认为（0，1）xavier初始化(
卷积核及小卷积核的优势卷积核卷积核本质上是一个非常小的矩阵，最常用的是 3×3 矩阵。主要是利用核与图像之间进行卷积运算来实现图像处理，能做出模糊、锐化、凹凸、边缘检测等效果。神经网络中卷积核的维度和对(3*3,2)的理解（我的理解）图中输入数据为蓝色部分是一张5*5*3的三维图片，padding=1，变为7*7*3。图中权重数据体为红色部分是两个3*3*3的卷积核，因为输入的数据为3维所以每个卷积核都是3维的，又因为要将输入数据变为3*3*2所以需要两个，在神经网络中可以写成(3*3,2)。正式一点：对于RGB图像，图像为3维，若要提取2个特征，可以设置2个3维卷积核进行特征提取，提取结果为2通道的feature map，2个通道互相独立，代表着不同卷积核提取的不同特征。卷积层演示：下面是一个卷积层的运行演示。因为3D数据难以可视化，所以所有的数据（输入数据体是蓝色，权重数据体是红色，输出数据体是绿色）都采取将深度切片按照列的方式排列展现。输入数据体的尺寸是W1=5,H1=5,D1=3，卷积层参数K=2,F=3,S=2,P=1。K：卷积核个数F：卷积核大小S：步长P：填充数就是说，有
一只胖橘