Memahami Metrik Jarak pada Face Embedding (ID)

Poin Penting 1 Face embedding merepresentasikan fitur wajah sebagai vektor numerik, memungkinkan perbandingan efisien untuk pencocokan wajah dan verifikasi identitas.

Poin Penting 2 Cosine similarity umumnya lebih disukai daripada Euclidean distance untuk face embedding karena ketahanannya terhadap variasi pencahayaan dan pose.

Poin Penting 3 Pilihan metrik jarak berdampak signifikan pada akurasi dan kinerja sistem pengenalan wajah.

Poin Penting 4 Memahami kekuatan dan kelemahan setiap metrik sangat penting untuk mengoptimalkan alur kerja pencocokan wajah.

Memahami Face Embedding

Inti dari sistem pengenalan wajah dan verifikasi identitas modern terletak pada face embedding. Embedding ini adalah representasi numerik dari fitur wajah, dihasilkan oleh model pembelajaran mendalam (biasanya Convolutional Neural Networks atau CNN). Berbeda dengan data piksel mentah, embedding menangkap karakteristik penting wajah dalam vektor berdimensi tinggi yang ringkas. Prosesnya melibatkan pengambilan gambar wajah sebagai input dan mengubahnya menjadi vektor angka floating-point—biasanya 128, 256, atau 512 dimensi—di mana wajah yang serupa akan lebih berdekatan dalam ruang embedding.

Metrik Jarak: Mengukur Kemiripan Wajah

Setelah wajah direpresentasikan sebagai embedding, kita memerlukan cara untuk mengukur kemiripannya. Di sinilah metrik jarak berperan. Beberapa metrik dapat digunakan, tetapi dua yang paling dominan adalah cosine similarity dan Euclidean distance. Pilihan antara keduanya bukanlah sesuatu yang sepele; itu sangat memengaruhi akurasi dan efisiensi pencocokan wajah.

Euclidean Distance

Euclidean distance, yang merupakan bagian penting dalam banyak aplikasi machine learning, menghitung jarak garis lurus antara dua vektor dalam ruang embedding. Secara matematis, didefinisikan sebagai akar kuadrat dari jumlah selisih kuadrat antara komponen yang sesuai dari dua vektor. Meskipun secara konseptual sederhana, Euclidean distance sensitif terhadap besaran vektor. Ini berarti bahwa perbedaan dalam pencahayaan, pose, atau ekspresi—yang dapat memengaruhi intensitas keseluruhan embedding—dapat meningkatkan jarak, menyebabkan perbandingan yang tidak akurat. Misalnya, wajah yang diambil dalam cahaya redup mungkin memiliki embedding dengan besaran yang lebih rendah, meningkatkan Euclidean distance-nya ke wajah yang diambil dalam cahaya terang, bahkan jika keduanya adalah orang yang sama.

Cosine Similarity

Cosine similarity, di sisi lain, mengukur sudut antara dua vektor. Dihitung sebagai hasil kali titik vektor dibagi dengan hasil kali besarnya. Yang penting, cosine similarity berfokus pada arah vektor, bukan besarnya. Ini membuatnya jauh lebih kuat terhadap variasi dalam pencahayaan, pose, dan ekspresi. Cosine similarity sebesar 1 menunjukkan kemiripan sempurna (vektor menunjuk ke arah yang sama), 0 menunjukkan ortogonalitas (tidak ada kemiripan), dan -1 menunjukkan ketidakmiripan sempurna (vektor menunjuk ke arah yang berlawanan). Untuk face embedding, ambang batas cosine similarity (misalnya, 0,7 atau 0,8) biasanya digunakan untuk menentukan apakah dua wajah termasuk orang yang sama. Sistem Didit memanfaatkan cosine similarity untuk kinerja dan keandalannya yang unggul dalam skenario dunia nyata.

Pertimbangan Praktis dan Kinerja

Dalam praktiknya, cosine similarity secara konsisten mengungguli Euclidean distance untuk tugas pencocokan wajah. Studi telah menunjukkan bahwa cosine similarity dapat mencapai tingkat akurasi yang lebih tinggi, terutama dalam kondisi yang menantang dengan variasi pencahayaan dan pose. Misalnya, uji tolok ukur menggunakan dataset LFW (Labeled Faces in the Wild) menunjukkan bahwa sistem yang menggunakan cosine similarity mencapai tingkat verifikasi 99,82%, sementara yang menggunakan Euclidean distance rata-rata sekitar 98,75%.

Namun, cosine similarity lebih mahal secara komputasi daripada Euclidean distance. Menghitung hasil kali titik dan besaran membutuhkan lebih banyak operasi. Perangkat keras modern dan pustaka yang dioptimalkan mengurangi perbedaan kinerja ini, menjadikan cosine similarity pilihan yang layak untuk sebagian besar aplikasi.

Metrik Jarak Lainnya

Meskipun cosine similarity dan Euclidean distance adalah yang paling umum, metrik lain ada, meskipun kurang sering digunakan dalam praktik:

• Manhattan Distance (Norm L1): Jumlah selisih absolut antara komponen vektor.
• Minkowski Distance: Generalisasi dari Euclidean dan Manhattan distance, dengan parameter untuk mengontrol derajat pengaruh setiap dimensi.

Bagaimana Didit Membantu

Didit memanfaatkan model face embedding dan cosine similarity yang canggih untuk memberikan verifikasi identitas yang sangat akurat dan andal. Platform kami menawarkan:

• Embedding Berkinerja Tinggi: Kami menggunakan arsitektur CNN yang dioptimalkan yang dilatih pada dataset yang luas untuk menghasilkan embedding yang kuat dan diskriminatif.
• Perhitungan Similaritas yang Dioptimalkan: Infrastruktur kami dirancang untuk menghitung cosine similarity secara efisien dalam skala besar, memastikan latensi rendah dan throughput tinggi.
• Penyesuaian Ambang Adaptif: Didit secara otomatis menyesuaikan ambang batas kemiripan berdasarkan faktor-faktor seperti kualitas gambar dan kondisi lingkungan untuk memaksimalkan akurasi.
• API Pencocokan Wajah Komprehensif: Integrasikan kemampuan pencocokan wajah dengan mudah ke dalam aplikasi Anda dengan API kami yang sederhana dan kuat.

Siap Memulai?

Siap untuk meningkatkan aplikasi Anda dengan kemampuan pencocokan wajah kelas dunia? Jelajahi harga atau minta demo hari ini!