従来のヒートマップ回帰で使用される平均二乗誤差（MSE）損失関数により、ヒートマップ回帰ネットワークの精度が低く訓練が遅い問題に対し、本論文ではヒートマップ回帰のための損失関数Heatmap Wing Loss（HWing Loss）を提案する。この損失関数は異なるピクセル値に対して異なる損失関数値を持ち、前景ピクセルの損失関数勾配が大きいため、ネットワークが前景ピクセルにより注目し、ヒートマップ回帰をより正確かつ迅速にすることができる。同時に、ヒートマップの分布特性に基づき、ガウス分布に基づくキーポイント推論方法を用いてヒートマップ推定時の量子化誤差を減少させた。これら二点を基に、キーポイント位置に基づく単一対象姿勢推定の新しいアルゴリズムを構築した。実験結果は、MSE Lossを使用するアルゴリズムと比較して、HWing Lossを使用する姿勢推定アルゴリズムがより高いADD（-S）精度を示し、LINEMODデータセットで88.8%の性能を達成し、最近の深層学習ベースの姿勢推定アルゴリズムより優れていることを示した。本アルゴリズムはRTX3080 GPUで最大25fpsの速度で動作し、速度と性能の両面で優れている。

深層学習;姿勢推定;損失関数;ヒートマップ