Pérdida de Ala Adaptativa para Alineación Robusta de Rostros a través de Regresión de Mapa de Calor

La regresión de mapas de calor con una red profunda se ha convertido en uno de los enfoques principales para localizar puntos de referencia faciales. Sin embargo, la función de pérdida para la regresión de mapas de calor rara vez se estudia. En este artículo, analizamos las propiedades de la función de pérdida ideal para la regresión de mapas de calor en problemas de alineación facial. Luego, proponemos una nueva función de pérdida, llamada pérdida de Ala Adaptativa, que es capaz de adaptar su forma a diferentes tipos de píxeles de mapas de calor de verdad del terreno. Esta adaptabilidad penaliza más la pérdida en los píxeles de primer plano, mientras que menos en los píxeles de fondo. Para abordar el desequilibrio entre píxeles de primer plano y de fondo, también proponemos un Mapa de Pérdida Ponderada, que asigna altos pesos a píxeles de primer plano y píxeles de fondo difíciles para ayudar al proceso de entrenamiento a enfocarse más en los píxeles que son cruciales para la localización de puntos de referencia. Para mejorar aún más la precisión de la alineación facial, introducimos la predicción de límites y CoordConv con coordenadas de límites. Experimentos extensivos en diferentes benchmarks, incluidos COFW, 300W y WFLW, muestran que nuestro enfoque supera al estado del arte por un margen significativo en varias métricas de evaluación. Además, la pérdida de Ala Adaptativa también ayuda en otras tareas de regresión de mapas de calor.