Jiefeng Li

Hi @maowayne123, For HRNet, we use `softmax` to normalize the output heatmap. This process is the same as the integral pose. To generate the feature for regressing `sigma`, we follow...

Please provide more information. Did the problem occur during 2D pose training or 3D pose training? @xuyun224 @crazysboy

> xuyun224 可以检查一下训练数据是不是有异常的标记。目前的rle loss对于错误的标注不鲁棒。另外loss小于0是正常的，优化方向是loss越小越好。

> 作者你好，谢谢作者回复，我会再检查一下。请问你说的越小越好，指的是向负无穷吗 @Jeff-sjtu 。 是的，可以参考#5

> > > xuyun224 > > > > > > 可以检查一下训练数据是不是有异常的标记。目前的rle loss对于错误的标注不鲁棒。另外loss小于0是正常的，优化方向是loss越小越好。 > > @Jeff-sjtu 作者你好，想顺着这个问题问一下，如果一张图的关键点里有一些是标注有误的，其余是标注无误的，标注有误的点在计算总loss时会用mask过滤掉。但是所有的点的信息都会进入到流模型，这是否也会引起loss nan呢？ 这应该是没问题的。另外有一点，之前我们在训练的时候发现，所有维度共用一个sigma能提升训练的稳定性。比如坐标是3d的(x, y, z)，输出一个1维的sigma来计算loss比输出3维的sigma稳定。

> 我的使用在2d关键点上出现nan现象，对象是车辆不是人体，标注信息限定在了图像范围内部，随着训练次数增加，发现会有异常的loss出现（该loss较大），通过在计算mean之前去除这些异常loss能训练，但是后面去除的越来越多。最终训练的效果与heatmap相比差很多点。可能车辆的标注信息比人体的标注信息复杂？ 有几种可能。1. 不同车辆关键点的的分布差异比较大，所以share同一个分布的话效果不太好；2. 参考楼上的回复，所有共用一个sigma能提高稳定性；3. 标注可能有错误；

Hi @jinfagang, how did you convert the output to fbx? Maybe you can manually set the root translation to center the body mesh.

You can try the Kalman filter.

Hi @Tengoles, `camera_root` is the root position in the camera coordinates. But the SMPL model will add a default offset to the root joint after both forward kinematics and inverse...

Hi @383029372, 1. We assume a fixed focal length in the cropped box during training and inference, i.e., focal=1000. Therefore, to project the result to the original image, we follow...