الانحدار الخريطة الحرارية باستخدام شبكة عميقة أصبح أحد النهج الرئيسية لتحديد مواقع المعالم الوجهية. ومع ذلك، فإن دالة الخسارة المستخدمة في الانحدار الخريطة الحرارية نادراً ما تُدرَس. في هذا البحث، نحلل خصائص الدالة المثالية للخسارة في مشاكل تنسيق الوجه. ثم نقترح دالة خسارة جديدة تُسمى Adaptive Wing loss (خسارة الجناح التكيفي)، والتي تستطيع تكييف شكلها مع أنواع مختلفة من بكسلات الخريطة الحرارية الحقيقية. هذه القابلية للتكييف تعاقب الخسارة بشكل أكبر على البكسلات الأمامية بينما تعاقبها بشكل أقل على البكسلات الخلفية. لمعالجة عدم التوازن بين البكسلات الأمامية والخلفية، نقترح أيضاً Weighted Loss Map (خريطة الخسارة الموزونة)، والتي تُعيِّن أوزاناً عالية على البكسلات الأمامية والبكسلات الخلفية الصعبة لمساعدة عملية التدريب على التركيز أكثر على البكسلات التي تكون حاسمة لتحديد موقع المعالم. للتحسين الأكثر دقة في تنسيق الوجه، نقدم التنبؤ بالحدود وCoordConv مع إحداثيات الحدود. أظهرت التجارب الواسعة على معايير مختلفة، بما في ذلك COFW و300W وWFLW، أن نهجنا يتفوق بشكل كبير على أفضل التقنيات الموجودة بمargins كبيرة في مختلف مقاييس التقييم. بالإضافة إلى ذلك، تساعد خسارة الجناح التكيفي أيضاً في مهام أخرى للانحدار الخريطة الحرارية. سيتم جعل الكود متاحًا للعامة على الرابط https://github.com/protossw512/AdaptiveWingLoss.