Face au problème de faible précision et de lenteur d'entraînement des réseaux de régression de cartes thermiques utilisant la fonction de perte à l'erreur quadratique moyenne (MSE) traditionnelle, cet article propose une fonction de perte appelée Heatmap Wing Loss (HWing Loss) pour la régression de cartes thermiques. Cette fonction de perte attribue des valeurs différentes selon les pixels, avec un gradient plus important pour les pixels de premier plan, ce qui permet au réseau de se concentrer davantage sur ces pixels et rend la régression des cartes thermiques plus précise et rapide. En même temps, en fonction des caractéristiques de la distribution des cartes thermiques, une méthode d'inférence des points clés basée sur une distribution gaussienne est utilisée pour réduire l'erreur de quantification lors de l'inférence des points clés sur la carte thermique. Sur cette base, un nouvel algorithme d'estimation de pose monocible basé sur la localisation des points clés est construit. Les résultats expérimentaux montrent qu'en comparaison avec les algorithmes utilisant MSE Loss, l'algorithme d'estimation de pose utilisant HWing Loss obtient une meilleure précision ADD(-S), atteignant 88,8 % sur le jeu de données LINEMOD, surpassant les méthodes d'estimation de pose basées sur l'apprentissage profond récentes. Cet algorithme peut fonctionner à une vitesse allant jusqu'à 25 fps sur un GPU RTX3080, offrant un bon compromis entre vitesse et performance.

apprentissage profond;estimation de pose;fonction de perte;carte thermique