Devido ao problema da baixa precisão e ao treinamento lento das redes de regressão de mapas de calor usando a função de perda de erro quadrático médio (MSE) tradicional, este artigo propõe uma função de perda para regressão de mapas de calor chamada Heatmap Wing Loss (HWing Loss). Essa função de perda tem valores diferentes para diferentes pixels, com gradiente maior para pixels do primeiro plano, permitindo que a rede se concentre mais nesses pixels, tornando a regressão do mapa de calor mais precisa e rápida. Ao mesmo tempo, com base nas características da distribuição do mapa de calor, é usado um método de inferência de pontos-chave baseado na distribuição gaussiana para reduzir o erro de quantização na inferência dos pontos-chave do mapa de calor. Com base nesses dois pontos, é construído um novo algoritmo de estimativa de pose monocular baseado na localização dos pontos-chave. Os resultados experimentais mostram que, em comparação com algoritmos que usam a perda MSE, o algoritmo de estimativa de pose usando HWing Loss apresenta maior precisão ADD(-S), atingindo 88,8% no conjunto de dados LINEMOD, superando outros algoritmos recentes de estimativa de pose baseados em aprendizado profundo. Este algoritmo pode rodar a uma velocidade de até 25 fps em uma GPU RTX3080, combinando vantagens de velocidade e desempenho.

aprendizado profundo;estimativa de pose;função de perda;mapa de calor