转载请注明作者和出处: http://blog.csdn.net/john_bh/
1.ION和IPN
-
ION:inter-ocular distance normalized error
ei=dIOD∣∣xprei−xgti∣∣2
其中xprei表示预测坐标点,xgti表示ground-truth,dIOD=D((x36,y36),(x45,y45))表示两眼外眼角间距离(参考300W官方提供的 compute_error 代码),归一化该因素是为了消除因脸部尺寸不统一带来的不合理变化。
-
IPN:Inter-pupil distance normalized error
ei=dIPD∣∣xprei−xgti∣∣2
其中xprei表示预测坐标点,xgti表示ground-truth,dIPD表示两眼瞳孔间距离。
计算瞳孔坐标,参考LAB计算方式
left_centerx:(x36+x37+x38+x39+x40+x41)/6
left_centery:(y36+y37+y38+y39+y40+y41)/6
right_centerx:(x42+x43+x44+x45+x46+x47)/6
right_centery:(y42+y43+y44+y45+y46+y47)/6
IPND=D(left_centerx,left_centery),(right_centerx,right_centery))
当然其中dIOD也可以人脸shape外接矩形对角线长度代替
2.MNE (the mean normalized error)
e=N×dIOD∑i=1N∣∣xprei−xgti∣∣2×100%
MNE是N个facial landmarks 基于ION或者IPN的平均误差.
3 AUCa(the area-under-the-curve)
AUCa就是通过计算该曲线的面积进行评估
其中,e表示归一化误差,f(e)表示累积误差分布函数。
- 横坐标表示归一化误差值e(由1中式得)
- 纵坐标表示小于归一化误差e的特征点占所有特征点的比例
该曲线右下区域越大越好;值得一说的是,该方法的好处就在于AUCa值不像平均误差那样受单个点误差较大而发生较大变化,非常敏感
4.CED (the Cumulative Errors Distribution curve)
CED与AUC有些类似,但又不同,如上图所示(参考PFLD中CED曲线)。
- 横坐标表示归一化点与点间的平均误差(MNE),见方法2;
- 纵坐标表示小于归一化误差e的样本占总样本的比例
参考链接:
人脸对齐算法常用评价标准
模型评估指标AUC(area under the curve
【人脸对齐-Landmarks】300W 数据集