Bakit Iba ang Score ng Dalawang Face Scan App

Maikling sagot

Ipadala ang isang litrato sa dalawang face scan app at karaniwan lang ang dalawampung puntos na agwat. Wala sa dalawa ang sira. Ang score ay hindi katangian ng mukha mo — ito ay output ng isang proseso, at bawat hakbang ng prosesong iyon ay may piniling desisyon. Palitan ang pinili, magbabago ang numero.

Tatlo sa mga piniling iyon ang nagpapaliwanag ng halos buong agwat: aling mga punto sa mukha ang sinusukat, ano ang pinanghahati sa sukat na iyon, at saan sa sariling scale ng app napupunta ang nakuha nitong ratio. May pang-apat pa na bihirang isipin ng tao, at nangyayari ito bago pa makakita ng kahit ano ang app.

1. Hindi pareho ang mga puntong sinusukat

Nakatayo ang mga facial pipeline sa mga scheme ng landmark, at hindi mapapalitan ang mga scheme:

• 68 puntos — ang klasikong layout ng dlib at unang OpenCV. Balangkas ng panga, dalawang kilay, tulay at base ng ilong, dalawang balangkas ng mata, labas at loob na linya ng labi.
• 98 puntos — ang WFLW annotation scheme na ginagamit ng ilang research model. Parehong ideya, mas siksik sa paligid ng mata at balangkas ng bibig.
• 468 puntos — MediaPipe Face Mesh, siksik na lambat na sumasaklaw sa buong mukha, kasama ang pisngi at noo.
• 478 puntos — parehong lambat at dagdag na sampung iris point, lima kada mata.

Pinakamalinaw itong makita sa lapad ng ilong. Sa 68 puntos, may dalawang punto ng pakpak ng ilong at isang agwat sa gitna. Sa lambat na 468, may ilang posibleng pares na tumatawid sa ilong, at kung alin ang pipiliin ng formula, gumagalaw ang sukat nang ilang porsyento. Ganito rin sa lapad ng panga: ang pinakalabas na punto ng pisngi sa siksik na lambat ay wala sa parehong anatomical na lugar ng sulok ng panga sa 68-point scheme. Pareho silang makakasulat nang tapat ng "lapad ng panga" habang sinusukat ang magkaibang bahagi ng mukha mo.

Hindi awtomatikong mas tumpak ang mas maraming puntos. Mas maraming pagpipilian ang ibinibigay ng siksik na lambat sa formula, kaya mas maraming pagkakataon na hindi ito magtugma sa katabing tool.

2. Kailangan ng denominator ang bawat ratio, at iba ang pinipili nila

Walang saysay ang distansya sa pixel: nagbabago ito sa resolution, sa layo mula sa camera, sa crop. Kaya hinahati ng bawat tool ang hilaw na distansya sa isang bagay. Ang karaniwang denominator:

Maaaring kalkulahin ng dalawang app ang eksaktong parehong agwat ng ilong at mag-ulat pa rin ng magkaibang ratio, dahil ang isa ay naghahati sa lapad ng cheekbone at ang isa sa bounding box. Kung kasama sa box ang buhok mo, lumalaki ang denominator at sabay-sabay na lumiliit ang lahat ng ratio. Ganito bumabagsak ang buong score kahit walang nagbago sa mukha mo.

Isang madaling paraan ng pagtingin: kung gumagalaw ang numero kapag pinalitan mo ng gupit pero hindi kapag nagbago ang ekspresyon, malamang bounding box ang denominator.

3. Hindi neutral ang training data

Natututo ang mga landmark model mula sa mga litratong may annotation, at ang mga litratong iyon ang nagtatakda kung saang mukha sila tumpak. Sinasabi ng publikong tala ng Google tungkol sa Face Mesh na may mga 30,000 larawan ang training set. Anuman ang eksaktong komposisyon, walang set na pantay na kumakatawan sa lahat ng populasyon, at pare-pareho ang kilalang kahinaan sa larangang ito: sukdulang anggulo ng ulo, mahinang ilaw, natatakpan ng salamin, balbas o buhok ang mukha, at mga kulay ng balat na mas bihirang lumitaw sa annotation set.

Sa praktika, error itong hindi mo nakikita. Ang paglihis ng dalawa o tatlong pixel sa sulok ng panga ay hindi makikita sa preview, pero tunay na pagbabago ito sa isang ratio, at ang ratio na iyon ay gagawing 0–100 na may matarik na slope. Maliit na error sa input, malaking pagkakaiba sa output.

Iyon din ang dahilan kung bakit iba ang score ng parehong mukha sa ibang ilaw sa parehong app. Hindi ito mood — gumagalaw ang kumpiyansa ng detector.

4. May nangyayari bago tumakbo ang model

Halos lahat ng telepono ay nagpoproseso ng frame bago pa ito ibigay sa app: pagpapakinis ng balat, tone mapping, at kung minsan ay paghubog ng hugis ng mukha. Dalawa ang bunga.

Una, binubura ng pagpapakinis ang texture gradient na ginagamit ng model para humanap ng gilid: linya ng labi, tiklop ng talukap, gilid ng ilong. Nagsisimulang gumalaw ang landmarks.

Pangalawa, binabago ng paghubog ang aktwal na geometry. Sinusukat ng model ang na-hubog nang mukha, at tumpak ang pagsukat. Tama ang ginagawa niya, mali lang ang input.

Ang app na nagbabasa ng hilaw na camera buffer at ang app na nagbabasa ng naprosesong preview ay magkakaiba kahit magkapareho ang algorithm.

5. Ang huling hakbang ay dinisenyo, hindi sinusukat

Kahit pareho ang landmarks at denominator, magkaiba pa rin ang numero, dahil desisyon sa disenyo ang paggawa ng ratio tungo sa score. Karaniwang anyo: kunin ang ratio r, ipitin sa pagitan ng minimum at maximum, i-map nang linear sa 0–100. Ilipat ang dulo, gumagalaw lahat ng score.

Ang 70 ng isang app ay maaaring "gitna ng saklaw, bahagyang mas mataas sa average". Ang 70 ng iba ay maaaring ika-siyamnapung porsyento ng sarili nitong sample. Wala sa mga dulo ang naka-calibrate sa panlabas na batayan: pinili sila para magmukhang makatwiran ang distribusyon sa ilang daang test photo.

Kaya hindi maihahambing ang absolute number sa pagitan ng app. Ang pagkakasunod-sunod ay mas nakakalusot nang kaunti, at sa magkakatulad na mukha lang.

Isang paghahambing na kaya mong gawin

Ang sikreto ay alisin ang sarili mo sa equation. Ang nakalimbag na litrato ay pisikal na constant: parehong geometry, parehong ilaw, tuwing gagawin.

1. I-print ang isang malinaw na portrait na harapan sa matte paper, mga 15 cm ang taas.
2. Idikit sa dingding sa taas ng mata. Sindihan ng isang lamp mula sa harap, isara ang kurtina.
3. I-scan ang print gamit ang bawat tool nang dalawang beses, sampung minuto ang pagitan. Isulat ang dalawang numero.
4. Ulitin sa totoong selfie sa 60 cm, lens sa taas ng mata, walang filter.
5. Gumawa ng table: tool, score ng print, score ng selfie, agwat.

Paano basahin:

• Matatag ang print, tumatalon ang selfie — sensitibo ang tool sa input, hindi sa mukha. Galing sa ilaw at pose ang variance.
• Malayo ang score ng print sa score ng selfie sa parehong tool — mabigat ang preprocessing. Walang texture ng balat ang print na pwedeng pakinisin, kaya hindi pantay ang dalawang input.
• Pareho ang pagkakasunod-sunod ng dalawang tool sa limang nakalimbag na mukha — magkatulad ang sinusukat nila sa magkaibang scale.
• Baliktad ang pagkakasunod-sunod — magkaiba ang sinusukat, at ang label ang nagtatakip.

Ang pagsunod-sunurin ang limang mukha at paghambingin ang order ang tanging paghahambing sa pagitan ng tool na nakakalusot sa magkaibang scale. Hindi tumatawid ang absolute number; ang order, kung minsan.

Kung galing sa panig mo ang variance at hindi sa tool, ayusin muna ang input: tinatalakay ng selfie angle guide ang distansya, taas ng lens at ilaw, at ang face shape analyzer ay mainam pang-verify sa pagpapasok ng parehong litrato nang dalawang beses.

Ano ang gagawin sa score na nakuha mo

Walang nakakabawas sa saya ng mga test sa mga ito. Nagiging mabasa lang sila. Kapag hindi magkasundo ang dalawang app tungkol sa mukha mo, ang hindi pagkakasundo ay katotohanan tungkol sa mga app — ang landmarks, denominator, training set, scale nila — at hindi katotohanan tungkol sa iyo. Sulit malaman bago mo seryosohin ang isang screenshot.

Mga madalas itanong

Bakit magkaiba ang score ng dalawang app sa isang litrato?

Magkaibang landmark scheme, magkaibang denominator para sa parehong ratio, magkaibang training data, at magkaibang dulo ng final scale. Kahit isa lang sa mga iyon, sampung puntos ang agwat.

Mas tumpak ba ang mas mataas na score?

Hindi. Walang reference truth na pwedeng tamaan. Ang mataas na score ay kadalasang nangangahulugang mas mababa ang pagkakaangkla ng scale, o nagkataong pinapaboran ng formula ang katangiang mayroon ka.

Ilang puntos ang pinakatumpak?

Walang iisang sagot, depende sa gawain. Ang 68 puntos ay matagal nang pinag-aralan at magaan; ang 468 o 478 ay may siksik na saklaw na bagay sa pagsusuri ng hugis. Galing ang katumpakan sa training set at sa pagtutugma nito sa kondisyon mo, hindi sa bilang ng puntos.