전통적인 평균제곱오차(MSE) 손실 함수를 사용한 히트맵 회귀 네트워크는 정확도가 낮고 학습 속도가 느린 문제를 해결하기 위해, 본 논문에서는 히트맵 회귀를 위한 손실 함수인 Heatmap Wing Loss(HWing Loss)를 제안한다. 이 손실 함수는 픽셀 값별로 다른 손실 값을 가지며, 전경 픽셀의 손실 함수 기울기가 더 커서 네트워크가 전경 픽셀에 더 집중할 수 있게 하여 히트맵 회귀를 더욱 정확하고 빠르게 만든다. 또한 히트맵 분포 특성에 따라 가우시안 분포 기반의 키포인트 추론 방법을 사용하여 히트맵에서 키포인트 추론 시 양자화 오차를 줄였다. 이 두 가지를 바탕으로 키포인트 위치 기반 단일 목표 자세 추정 알고리즘을 구성하였다. 실험 결과, MSE 손실을 사용하는 알고리즘에 비해 HWing Loss를 사용하는 자세 추정 알고리즘이 더 높은 ADD(-S) 정확도를 보였으며, LINEMOD 데이터셋에서 88.8%의 성능을 달성하여 최근 딥러닝 기반 자세 추정 알고리즘보다 우수한 성능을 보였다. 본 알고리즘은 RTX3080 GPU에서 최대 25fps 속도로 실행되며, 속도와 성능을 모두 갖추고 있다.

딥러닝;자세 추정;손실 함수;히트맵