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$x_i$表示预测坐标点，$x^*_i$表示ground-truth，$d_{IOD}$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$d_{IOD}$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 ($AUC_a$)

       $AUC_a$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，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$AUC_a$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$e$，见1中公式；纵坐标表示小于归一化误差$e$的样本占总样本的比例，换句话说，误差$e$大于某个阈值$T$的样本定义为失败样本，统计失败率；如图中在误差阈值为$T= 0.1$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