Debido al problema de baja precisión y lento entrenamiento de las redes de regresión de mapas de calor que usan la función de pérdida de error cuadrático medio (MSE) tradicional, este artículo propone una función de pérdida para la regresión de mapas de calor llamada Heatmap Wing Loss (HWing Loss). Esta función de pérdida tiene diferentes valores según los píxeles, con un gradiente mayor en los píxeles del primer plano, lo que permite que la red se centre más en estos píxeles y hace que la regresión del mapa de calor sea más precisa y rápida. Al mismo tiempo, según las características de la distribución del mapa de calor, se utiliza un método de inferencia de puntos clave basado en la distribución gaussiana para reducir el error de cuantificación al inferir los puntos clave en el mapa de calor. Basándose en estos dos puntos, se construye un nuevo algoritmo de estimación de pose monocular basado en la localización de puntos clave. Los resultados experimentales muestran que, en comparación con los algoritmos que usan la pérdida MSE, el algoritmo de estimación de pose que utiliza HWing Loss tiene una mayor precisión ADD(-S), alcanzando el 88,8 % en el conjunto de datos LINEMOD, y supera a otros algoritmos recientes de estimación de pose basados en aprendizaje profundo. Este algoritmo puede funcionar a una velocidad de hasta 25 fps en una GPU RTX3080, combinando ventajas de velocidad y rendimiento.

aprendizaje profundo;estimación de pose;función de pérdida;mapa de calor