Die Landmarke-Localisierung ist ein anspruchsvolles Problem in der Computer Vision mit einer Vielzahl von Anwendungen. Neuere Methoden auf Basis des Deep Learnings haben durch die Regression von Wahrscheinlichkeitskarten anstelle der direkten Regression von Koordinaten verbesserte Ergebnisse erzielt. Dennoch ist das Festlegen der Genauigkeit dieser Regressionsziele während des Trainings ein mühsamer Prozess, da es einen Kompromiss zwischen Trainierbarkeit und Lokalisationsgenauigkeit schafft. Die Verwendung präziser Ziele führt zu einem erheblichen Stichprobenverzerrungseffekt und macht das Training dadurch schwieriger, während die Verwendung ungenauer Ziele zu fehlerhaften Landmarke-Detektoren führt. In diesem Artikel stellen wir "Adaloss" vor, eine Zielfunktion, die sich während des Trainings anpasst, indem sie die Zielgenauigkeit auf Grundlage der Trainingsstatistiken aktualisiert. Dieser Ansatz erfordert nicht das Festlegen problemspezifischer Parameter und zeigt eine verbesserte Stabilität während des Trainings sowie eine bessere Lokalisationsgenauigkeit bei der Inferenz. Wir demonstrieren die Effektivität unserer vorgeschlagenen Methode in drei verschiedenen Anwendungen der Landmarke-Localisierung: 1) die herausfordernde Aufgabe, Katheter Spitzen in medizinischen Röntgenbildern präzise zu detektieren, 2) die Lokalisierung chirurgischer Instrumente in endoskopischen Bildern und 3) die Lokalisierung von Gesichtsmerkmalen in realweltlichen Bildern, wobei wir auf dem Benchmark-Datensatz 300-W Stand-of-the-Art-Ergebnisse zeigen.