2. 程式人生 > >人臉對齊演算法常用評價標準

人臉對齊演算法常用評價標準

阿新 • • 發佈：2019-02-12

人臉對齊常用評價標準

1 the inter-ocular distance normalized error

       這裡寫圖片描述
       其中xi表示預測座標點，xi∗表示ground-truth，dIOD表示兩眼中心間距離，歸一化該因素是為了消除因臉部尺寸不統一帶來的不合理變化
       當然其中dIOD也可以用兩外眼角間距離、人臉shape外接矩形對角線長度代替

2 the mean normalized error (MNE)

       這裡寫圖片描述
       符號意義與上面相同，僅僅多了一項平均項

3 the area-under-the-curve (
AUCa)

       AUCa就是通過計算該曲線的面積進行評估
       這裡寫圖片描述
       其中，e表示歸一化誤差，f(e)表示累積誤差分佈函式
       這裡寫圖片描述
       橫座標表示歸一化誤差值e（由1中式得），縱座標表示小於歸一化誤差e的特徵點佔所有特徵點的比例，也就是該曲線右下區域越大越好；值得一說的是，該方法的好處就在於AUCa值不像平均誤差那樣受單個點誤差較大而發生較大變化，非常敏感
       詳見：https://blog.csdn.net/liweibin1994/article/details/79462554

4 the Cumulative Errors Distribution (CED) curve

       CED與AUC有些類似，但又不同；如下圖（來自Look at Boundary論文）
       
       橫座標表示歸一化點與點間誤差e，見1中公式；縱座標表示小於歸一化誤差e的樣本佔總樣本的比例，換句話說，誤差e大於某個閾值T的樣本定義為失敗樣本，統計失敗率；如圖中在誤差閾值為T=0.1時，LAB的失敗率為2.17%；另外圖中Error是指平均誤差（MNE），見方法2

相關推薦

人臉對齊演算法常用評價標準，人臉關鍵點的評價標準 人臉對齊演算法常用評價標準

原 人臉對齊演算法常用評價標準 2018年08月24日 09:43:50 Godswisdom 閱讀數：124 &l

人臉對齊演算法常用評價標準

人臉對齊常用評價標準 1 the inter-ocular distance normalized error                其中xixi表示預測座標點，x∗ixi∗表示ground-truth，dIODdIOD表示兩眼中心間距離，歸一

清華&商湯開源超高精度邊緣感知人臉對齊演算法 清華&商湯開源超高精度邊緣感知人臉對齊演算法

Look at Boundary: A Boundary-Aware Face Alignment Algorithm https://wywu.github.io/projects/LAB/WFLW.html 轉 清華&商

清華&商湯開源超高精度邊緣感知人臉對齊演算法

2018年08月31日 22:39:21 nfzhlk 閱讀數：217更多 <div class="tags-box space"> <span class="label"&

人臉識別之人臉對齊（九）--SDM演算法

轉自：http://blog.csdn.net/huneng1991/article/details/51901912 http://blog.csdn.net/qq_14845119/article/details/53520847 略刪改。   SDM(Supervis

人臉識別之人臉對齊（八）--LBF演算法

整體來看，其實 ，ESR是基礎版本的形狀迴歸，ERT將回歸樹修改為GBDT，由原始的直接回歸形狀，改進為迴歸形狀殘差，而LBF，是加速特徵提取，由原來的畫素差分特徵池，改為隨機選擇點。   轉自：http://blog.csdn.net/qq_14845119/article/de

人臉識別之人臉對齊（七）--JDA演算法

其實，這裡JDA之前在人臉檢測中解釋過，這裡再轉一篇的目的在於，此文更貼近論文，同時，JDA本來包含人臉檢測和人臉對齊，作為一個整體訓練和測試的。 轉自：http://blog.csdn.net/shixiangyun2/article/details/50809078 第一節： &nb

人臉識別之人臉對齊（六）--ERT演算法

1.概述 文章名稱：One Millisecond Face Alignment with an Ensemble of Regression Trees 文章來源：2014CVPR 文章作者：Vahid Kazemi ，Josephine Sullivan 簡要介紹：One Milliseco

人臉識別之人臉對齊（五）--ESR演算法

轉自：https://blog.csdn.net/app_12062011/article/details/52573024 原文：http://www.thinkface.cn/thread-2911-1-2.html 原文翻譯我看的好蛋疼，完全機器翻譯。甚至懷疑作者是否有通讀過一次

人臉識別之人臉對齊（四）--CLM演算法及概率圖模型改進

原文： http://blog.csdn.net/marvin521/article/details/11489453      04、概率圖模型應用例項         最近一篇文章《Deform

人臉識別之人臉對齊（三）--AAM演算法原文： http://blog.csdn.net/colourfulcloud/article/details/9774017 AAM(Active Appear

原文： http://blog.csdn.net/colourfulcloud/article/details/9774017 AAM(Active Appearance Model)主動外觀模型主要分為兩個階段，模型建立階段和模型匹配階段。其中模型建立階段包括了對訓練樣本分別建立形狀模型(

人臉對齊：TCDNN人臉關鍵點演算法2014

《Facial Landmark Detection by Deep Multi-task Learning》發表於ECCV-2014，作者來自香港中文大學湯曉鷗團隊的Zhanpeng Zhang等人。創新點： 1.將MTL（多工學習）結合CNN應用到人臉關鍵點檢測 2.為解

人臉對齊：Wing Loss人臉關鍵點檢測演算法2018

Wing Loss for Robust Facial Landmark Localisation with Convolutional Neural Networks 由薩里大學研究人員（第一至四作者）與江南大學研究人員（第五作者）共同研究，被CVPR2018收錄，最早於2

人臉對齊（六）--ERT演算法

1.概述 文章名稱：One Millisecond Face Alignment with an Ensemble of Regression Trees 文章來源：2014CVPR 文章作者：Vahid Kazemi ，Josephine Sullivan 簡要介紹：On

記憶體對齊演算法

--------------------------------------------- -- 時間：2018-11-09 -- 建立人：Ruo_Xiao -- 郵箱：[email protected] ----------------------------------------

人臉對齊（二十一）--A Recurrent Encoder-Decoder Network for Sequential Face Alignment

轉自：https://blog.csdn.net/shuzfan/article/details/52438910 本次介紹一篇關於人臉關鍵點檢測(人臉對齊)的文章： 《ECCV16 A Recurrent Encoder-Decoder Network for Sequential Fac

python ubuntu dlib人臉識別3-人臉對齊

人臉對齊主要用於提特徵。其他作用可以自行研究。 import sys import dlib if len(sys.argv) != 3: print( "Call this program like this:\n" " ./face_ali

人臉對齊 face alignment 或 人臉關鍵點檢測

圖片來源於網路 人臉對齊基本流程 1. 人臉預處理 識別：輸入影象-》人臉檢測-》人臉框圖片 歸一化：scaling+lighting+enlarging(資料增廣）-》歸一化後的臉部影象 2.shape的初始化 1）mean shape

人臉對齊：Look at Boundary: A Boundary-Aware Face Alignment Algorithm

《Look at Boundary: A Boundary-Aware Face Alignment Algorithm》 目錄 0 Abstract        本文提出了一種基於邊界輔助學習的Facial Landmark Detection方法。利用

機器學習分類演算法常用評價指標

# -*- coding: utf-8 -*- import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn import metrics import matplotlib.pyplot as p