自适应鲁棒损失

地标检测通用

统一坐标回归和热图回归的损失函数，对离群点鲁棒且处处可微，提升地标检测精度。

田英杰 · Su, Duo · Shilin, Li

Information Fusion 2024

参数信息

NME

4.52 %

NME

3.34 %

技术优势

对离群点鲁棒

损失函数对离群点具有鲁棒性，避免了少数极端误差样本主导训练过程。

处处平滑可微

函数性质分析表明损失处处平滑且连续，训练过程更稳定，无需额外修正。

精度达SOTA水平

在人脸对齐和人体姿态估计标准任务中性能与最先进损失相当，在WFLW和300W数据集上达到最佳NME。

挑战场景优势明显

在更具挑战性的场景中，本损失函数的优势更加突出，适合复杂条件下的关键点检测。

应用场景

• 人脸关键点检测：替换现有分段损失，提升人脸关键点检测精度与训练稳定性。
• 人体姿态估计：统一坐标与热图回归损失，简化姿态估计的训练流程。
• 机器人视觉：应对机器人视觉中的离群点与噪声，增强感知鲁棒性。
• 具身智能感知：适用于具身智能感知中复杂场景的关键点检测任务。