Aufgrund des Problems niedriger Genauigkeit und langsamen Trainings von Heatmap-Regressionsnetzwerken bei Verwendung der traditionellen mittleren quadratischen Fehler (MSE)-Verlustfunktion schlägt dieser Artikel eine Verlustfunktion namens Heatmap Wing Loss (HWing Loss) für die Heatmap-Regression vor. Diese Verlustfunktion liefert für verschiedene Pixel unterschiedliche Verlustwerte, wobei der Gradientenwert für Vordergrundpixel größer ist, sodass das Netzwerk sich stärker auf Vordergrundpixel konzentrieren kann, was die Heatmap-Regression genauer und schneller macht. Gleichzeitig wird basierend auf den Verteilungseigenschaften der Heatmap eine auf der Gaußschen Verteilung basierende Methode zur Schlüsselpunktermittlung verwendet, um Quantisierungsfehler bei der Schlüsselpunktaussage zu reduzieren. Auf diesen beiden Punkten aufbauend wird ein neuer Algorithmus zur einzieligen Pose-Schätzung auf Grundlage der Schlüsselpunkterkennung konstruiert. Experimentelle Ergebnisse zeigen, dass der Pose-Schätzalgorithmus mit HWing Loss im Vergleich zu Algorithmen mit MSE Loss eine höhere ADD(-S)-Genauigkeit erreicht, nämlich 88,8 % auf dem LINEMOD-Datensatz, und die Performance aktueller, tiefenlernbasierter Pose-Schätzalgorithmen übertrifft. Der Algorithmus läuft auf einer RTX3080 GPU mit bis zu 25 fps und kombiniert Geschwindigkeit und Leistung.

Deep Learning;Pose-Schätzung;Verlustfunktion;Heatmap