人脸对齐算法常用评价标准

人脸对齐常用评价标准

1 the inter-ocular distance normalized error

       
       其中xi$x_i$表示预测坐标点，x∗i$x_i^{\ast }$表示ground-truth，dIOD$d_{IOD}$表示两眼中心间距离，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
       当然其中dIOD$d_{IOD}$也可以用两外眼角间距离、人脸shape外接矩形对角线长度代替

2 the mean normalized error (MNE)

       
       符号意义与上面相同，仅仅多了一项平均项

3 the area-under-the-curve (AUCa$AU{C}_a$)

       AUCa$AU{C}_a$就是通过计算该曲线的面积进行评估
       
       其中，e$e$表示归一化误差，f(e)$f(e)$表示累积误差分布函数
       
       横坐标表示归一化误差值e$e$（由1中式得），纵坐标表示小于归一化误差e$e$的特征点占所有特征点的比例，也就是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$AU{C}_a$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
       详见：https://blog.csdn.net/liweibin1994/article/details/79462554

4 the Cumulative Errors Distribution (CED) curve

       CED与AUC有些类似，但又不同；如下图（来自Look at Boundary论文）
       
       横坐标表示归一化点与点间误差e$e$，见1中公式；纵坐标表示小于归一化误差e$e$的样本占总样本的比例，换句话说，误差e$e$大于某个阈值T$T$的样本定义为失败样本，统计失败率；如图中在误差阈值为T=0.1$T=0.1$时，LAB的失败率为2.17%；另外图中Error是指平均误差（MNE），见方法2