Die Heatmap-Regression mit einem tiefen Netzwerk ist zu einem der wichtigsten Ansätze zur Lokalisierung von Gesichtspunkten geworden. Allerdings wird die Verlustfunktion für die Heatmap-Regression selten untersucht. In dieser Arbeit analysieren wir die idealen Eigenschaften einer Verlustfunktion für die Heatmap-Regression bei Problems der Gesichtsausrichtung. Anschließend schlagen wir eine neuartige Verlustfunktion vor, den sogenannten Adaptiven Flügelverlust (Adaptive Wing loss), der seine Form an verschiedene Arten von Ground-Truth-Pixeln in der Heatmap anpassen kann. Diese Anpassungsfähigkeit bestraft Verluste stärker bei Vordergrundpixeln und weniger bei Hintergrundpixeln. Um das Ungleichgewicht zwischen Vordergrund- und Hintergrundpixeln zu bewältigen, schlagen wir außerdem eine Gewichtete Verlustkarte (Weighted Loss Map) vor, die hohe Gewichte auf Vordergrund- und schwierige Hintergrundpixel verleiht, um den Trainingsprozess auf Pixel zu fokussieren, die für die Landmark-Lokalisierung entscheidend sind. Um die Genauigkeit der Gesichtsausrichtung weiter zu verbessern, führen wir Randvorhersage und CoordConv mit Randkoordinaten ein. Ausführliche Experimente auf verschiedenen Benchmarks, einschließlich COFW, 300W und WFLW, zeigen, dass unser Ansatz bei verschiedenen Evaluationsmetriken erheblich besser als der Stand der Technik abschneidet. Darüber hinaus hilft der Adaptive Flügelverlust auch anderen Aufgaben der Heatmap-Regression. Der Code wird öffentlich verfügbar gemacht unter https://github.com/protossw512/AdaptiveWingLoss.