نظرًا لمشكلة انخفاض دقة وسرعة تدريب شبكة انحدار الخرائط الحرارية عند استخدام دالة خسارة متوسط مربع الخطأ (MSE) التقليدية، اقترح هذا البحث دالة خسارة جديدة لانحدار الخرائط الحرارية تُسمى خسارة Heatmap Wing (HWing Loss). توفر هذه الدالة قيم خسارة مختلفة لبكسلات متباينة، حيث تكون تدرجات دالة الخسارة أكبر للبكسلات الأمامية، مما يجعل الشبكة تركز أكثر على البكسلات الأمامية، ويجعل انحدار الخرائط الحرارية أكثر دقة وسرعة. وفي الوقت نفسه، بناءً على خصائص توزيع الخرائط الحرارية، تم استخدام طريقة استدلال النقاط الرئيسية القائمة على التوزيع الغاوسي لتقليل الخطأ الكمي عند استنتاج النقاط الرئيسية من الخرائط الحرارية. وبالاعتماد على هذين النقطتين، تم بناء خوارزمية جديدة لتقدير الوضعية أحادية الهدف المستندة إلى تحديد النقاط الرئيسية. أظهرت النتائج التجريبية أن خوارزمية تقدير الوضعية باستخدام HWing Loss تحقق دقة ADD(-S) أعلى مقارنة بالخوارزميات التي تستخدم MSE Loss، حيث بلغت 88.8% على مجموعة بيانات LINEMOD، وتفوقت على خوارزميات تقدير الوضعية الحديثة القائمة على التعلم العميق. تعمل خوارزمية البحث بسرعة تصل إلى 25 إطارًا في الثانية على بطاقة RTX3080 GPU، مما يدمج المزايا بين السرعة والأداء.

التعلم العميق;تقدير الوضعية;دالة الخسارة;الخريطة الحرارية