graphical representation of my pipeline
我正在尝试对从视频Feed中捕获的脸部进行姿势估计。 我使用tracking.js的面部对齐算法。 这给了我点数，然后我用它来估计我的脸在相机空间中的位置。
由于面是非刚性物体，角度问题可能会修改图像上的对齐点，我使用参数化的3D点列表，然后将其投影到平面上以获得相应的2D点列表。
然后我做一个点到点的平方距离来计算错误率然后我尝试最小化。
我正在使用FMIN.js的共轭梯度算法来最小化错误率。
但是大多数时候，似乎由于零值，算法卡在了沃尔夫线性部分上。是因为使用finite differential gradient？
我做错了吗？
我对优化算法很陌生，我不确定我是否正在做一切正常的工作。我的价值往往很高（约80k），这也导致我的渐变也很大。我尝试了一个规范化过程（使用第一个错误作为规范）但是没有变得更好。
目前，对于有限差分梯度计算，我使用了遇到的值中的一个小值。
我也将旋转的渐变限制为Pi / 2，因为我认为太大的值会导致算法超出步长，超出角度范围。
答案 0 :(得分：0)
似乎问题来自梯度计算。 由于我对大价值做了一个天真的有限区分，我的渐变非常大。 试图遵循这个巨大的梯度使参数摆脱合理的空间搜索，下一次评估返回更大的值。 归一化使问题成反过来：我的梯度现在太小了，步数不够大，无法有效地下降。
我使用了一种中间解决方案：使梯度成为函数评估的比率，然后将其乘以每个参数的适当值：
gradient = gradient / fx * eigenVector