摘要

我们提出了一种新的损失函数，即Wing损失函数，用于基于卷积神经网络（CNNs）的鲁棒面部关键点定位。首先，我们比较和分析了不同的损失函数，包括L2、L1和光滑L1（smooth L1）。对这些损失函数的分析表明，在训练基于CNN的关键点定位模型时，应更加关注小范围和中等范围的误差。为此，我们设计了一种分段损失函数。新的损失函数通过从L1损失切换到一个改进的对数函数来放大区间(-w, w)内的误差影响。为了解决训练集中大角度平面外头部旋转样本代表性不足的问题，我们提出了一种简单但有效的增强策略，称为基于姿态的数据平衡（pose-based data balancing）。具体而言，我们通过复制少数类训练样本并注入随机图像旋转、边界框平移以及其他数据增强方法来解决数据不平衡问题。最后，所提出的 方法被扩展为一种两阶段框架，以实现鲁棒的面部关键点定位。在AFLW和300W数据集上获得的实验结果展示了Wing损失函数的优势，并证明了该方法优于现有最先进的方法。