摘要

近期，基于深度学习的面部关键点检测取得了显著进展。然而，语义模糊问题降低了检测性能。具体而言，语义模糊导致注释不一致，并对模型的收敛产生负面影响，从而导致精度下降和预测不稳定。为了解决这一问题，我们提出了一种自适应模糊减少（Self-adapTive Ambiguity Reduction, STAR）损失函数，通过利用语义模糊的特性来设计该函数。我们发现，语义模糊会导致预测分布的各向异性，这启发我们使用预测分布来表示语义模糊。基于此，我们设计了STAR损失函数，用于衡量预测分布的各向异性程度。与标准回归损失相比，当预测分布呈现各向异性时，STAR损失被鼓励减小，从而自适应地减轻语义模糊的影响。此外，我们提出了两种特征值限制方法，可以避免分布异常变化和模型过早收敛。最后，全面的实验结果表明，在COFW、300W和WFLW三个基准数据集上，STAR损失在几乎不增加计算开销的情况下优于现有最先进方法。代码位于 https://github.com/ZhenglinZhou/STAR。