В связи с проблемой низкой точности и медленным обучением сети регрессии тепловых карт при использовании традиционной функции потерь на основе среднеквадратичной ошибки (MSE), в этой статье предложена функция потерь Heatmap Wing Loss (HWing Loss) для регрессии тепловых карт. Эта функция потерь имеет разные значения для разных пикселей, градиент функции потерь для переднего плана больше, что позволяет сети уделять больше внимания пикселям переднего плана, делая регрессию тепловых карт более точной и быстрой. Кроме того, на основе характеристик распределения тепловой карты используется метод вывода ключевых точек, основанный на гауссовском распределении, для уменьшения квантовочной ошибки при выводе ключевых точек. На основе этих двух моментов построен новый алгоритм оценки позы для одной цели, основанный на локализации ключевых точек. Результаты экспериментов показывают, что по сравнению с алгоритмами, использующими MSE Loss, алгоритм оценки позы с HWing Loss достигает более высокой точности ADD(-S), до 88.8% на датасете LINEMOD и превосходит последние алгоритмы оценки позы на основе глубокого обучения. Алгоритм работает на GPU RTX3080 со скоростью до 25 кадров в секунду, сочетая преимущества скорости и производительности.

глубокое обучение;оценка позы;функция потерь;тепловая карта