초록
히트맵 회귀를 사용한 깊은 네트워크는 얼굴 랜드마크를 위치시키는 주요 접근 방식 중 하나가 되었습니다. 그러나 히트맵 회귀에 대한 손실 함수는 거의 연구되지 않았습니다. 본 논문에서는 얼굴 정렬 문제에서 히트맵 회귀에 이상적인 손실 함수의 특성을 분석합니다. 그런 다음, 다양한 종류의 실제 히트맵 픽셀에 그 형태를 적응시킬 수 있는 새로운 손실 함수인 Adaptive Wing loss(적응형 윙 손실)를 제안합니다. 이 적응성은 전경 픽셀에는 더 큰 손실을 부과하고 배경 픽셀에는 더 작은 손실을 부과합니다. 전경 픽셀과 배경 픽셀 간의 불균형을 해결하기 위해, 우리는 Weighted Loss Map(가중 손실 맵)도 제안합니다. 이 방법은 전경 및 어려운 배경 픽셀에 높은 가중치를 할당하여 학습 과정이 랜드마크 위치화에 중요한 픽셀에 더 집중할 수 있도록 돕습니다. 얼굴 정렬 정확도를 더욱 향상시키기 위해, 우리는 경계 예측과 경계 좌표를 사용하는 CoordConv(CoordConv with boundary coordinates)를 도입합니다. COFW, 300W, WFLW 등 다양한 벤치마크에서 수행된 광범위한 실험 결과, 우리의 접근 방식이 여러 평가 지표에서 기존 최고 성능을 크게 능가함을 보여주었습니다. 또한, Adaptive Wing loss는 다른 히트맵 회귀 작업에도 도움이 됩니다. 코드는 https://github.com/protossw512/AdaptiveWingLoss에서 공개될 예정입니다.