De nombreuses avancées récentes dans la détection des points de repère faciaux ont été motivées par l'accumulation de paramètres de modèle ou l'augmentation des annotations. Toutefois, trois défis subséquents persistent : 1) une augmentation de la charge computationnelle, 2) le risque de surapprentissage provoqué par l'expansion du nombre de paramètres du modèle, et 3) le fardeau lié à l'annotation manuelle intensive. Nous soutenons qu'explorer les faiblesses du détecteur afin de les corriger constitue une voie prometteuse pour améliorer la robustesse de la détection des points de repère faciaux. Pour atteindre cet objectif, nous proposons une méthode d'apprentissage adversaire adaptative aux échantillons (SAAT), permettant une optimisation interactive entre un attaquant et un détecteur, améliorant ainsi la détection des points de repère faciaux en tant que défense contre les attaques noires adaptatives aux échantillons. En exploitant les attaques adverses, la méthode SAAT exploite des perturbations adverses au-delà des transformations prédéfinies, afin d'améliorer le détecteur. Plus précisément, l'attaquant génère des perturbations adverses afin de révéler les faiblesses du détecteur ; celui-ci doit alors renforcer sa robustesse face à ces perturbations afin de résister aux attaques. En outre, un poids adaptatif aux échantillons est conçu pour équilibrer les risques et les bénéfices liés à l'augmentation des exemples adverses lors de l'entraînement du détecteur. Nous introduisons également un nouveau jeu de données pour l’alignement facial masqué, appelé Masked-300W, afin d’évaluer notre approche. Les expériences montrent que notre méthode SAAT atteint des performances comparables aux états de l’art existants. Le jeu de données et le modèle sont disponibles publiquement à l’adresse suivante : https://github.com/zhuccly/SAAT.