gydtep

使用这种数据集训练出的人脸关键点定位算法，在评测数据集上可以获得非常高得精度，但是在实际使用中，有可能因为头部的轻微偏转，导致模型的精度严重下降。

gydtep

这种方法比较适宜用于对实时性要求较高、但对定位精度要求相对不高的任务中（如人脸识别、情绪判断、头部姿态估计等）。

gydtep

因为人脸关键点定位的标注数据本身就存在一定的误差，因此标注数据中存在异常值（或错误值）的可能性比目标检测、图像分类等视觉任务更大。

gydtep

问了解决这一问题，Wing-CNN 中提出使用 Wing Loss 来缓解模型对异常值的敏感程度。

gydtep

我们对比了使用我们设计的小模型作为 BackBone 分别使用 MSE Loss 和 Wing Loss 作为损失函数在 300W-Fullset 上的测试结果。

gydtep

依据我们多次相关类型项目经验，多阶段定位模型可以获得与基于热图回归方法相互匹敌的结果，并且模型的运算速度快、系统开销少。

gydtep

在这种特定模式下，机器的任务非常明确——找到解决问题的最佳途径。

gydtep

这些系统的能力上限，被牢牢束缚在人类所制定规则的水平身上；换句话说，这类机器根本无法真正学习，

gydtep

而只是将人类智能以规则的形式重新理解，并借此保证系统的正常工作。

gydtep

应链与物流行业也在使用此类系统寻求打包及配送货物的最优方法。除此之外，训练物理机器人、创造可指挥机器人行走及跳跃的算法等也都是目标驱动系统模式的理想施展舞台。