| # LIPE V2: DATASET STRATEGY & VALIDATION BLUEPRINT |
|
|
| ## 1. Triết lý Dữ liệu (Dataset Philosophy) |
| Để chứng minh LIPE V2 vượt trội hơn các mô hình SOTA (L2CS-Net), chiến lược dữ liệu phải tuân thủ nghiêm ngặt nguyên tắc **Đối chứng trực diện (Direct Comparison)** và **Tổng quát hóa (Generalization)**. |
|
|
| ## 2. Các bộ Dữ liệu Cốt lõi |
| Hệ thống sử dụng hai nguồn dữ liệu chuẩn quốc tế để thực hiện huấn luyện và kiểm thử chéo (Cross-dataset Validation). |
|
|
| ### A. L2CS Dataset (Huấn luyện & Chắt lọc tri thức) |
| * **Vai trò:** Dùng để huấn luyện mô hình Teacher (L2CS-Net) và thực hiện Knowledge Distillation. |
| * **Đặc điểm:** Độ phân giải cao, các điểm mốc (Landmarks) hốc mắt rõ nét, dải góc nhìn (Yaw/Pitch) rộng. |
| * **Mục tiêu:** Giúp mạng LIPE V2 (Student) học được cách phân phối xác suất (Soft labels) chính xác nhất từ mạng Thầy. |
|
|
| ### B. MPIIGaze Dataset (Kiểm thử thực tế) |
| * **Vai trò:** Dùng làm "bài thi" tổng quát hóa trong điều kiện thực tế (In-the-wild). |
| * **Đặc điểm:** Ánh sáng biến đổi phức tạp, dữ liệu thu thập trong môi trường làm việc thực tế với camera laptop thông thường. |
| * **Mục tiêu:** Chứng minh LIPE V2 vẫn đạt sai số góc $\mathcal{E}_{angular} < 4.0^{\circ}$ ngay cả khi không có môi trường phòng thí nghiệm. |
| |
| --- |
| |
| ## 3. Quy trình Tiền xử lý Dữ liệu (Data Pipeline) |
| Trước khi nạp vào Pipeline huấn luyện, dữ liệu phải đi qua bộ lọc sau: |
| |
| 1. **Chuẩn hóa hệ tọa độ (Normalization):** Chuyển đổi tất cả các nhãn (labels) về đơn vị **Radians** (Pitch $\theta$, Yaw $\phi$). |
| 2. **Trích xuất Landmark:** Sử dụng MediaPipe Face Mesh để lấy véc-tơ $\zeta_{t}=\{P_{inner},P_{outer},P_{pupil},P_{eyelid}\}$. |
| 3. **Cắt ảnh Patch:** Dựa trên Landmark, áp dụng ma trận biến đổi Affine $\mathcal{T}_{scale}$ để triệt tiêu góc nghiêng đầu, cắt thành 4 mảnh $8\times8$ px. |
| |
| --- |
| |
| ## 4. Chiến lược Đánh giá (Validation Strategy) |
| Để đảm bảo tính khách quan cho báo cáo thực nghiệm: |
| |
| * **Sai số góc (Angular Error):** Tính theo công thức khoảng cách góc giữa véc-tơ thực tế $g$ và dự đoán $\hat{g}$: |
| $$\mathcal{E}_{angular} = \arccos\left(\frac{g \cdot \hat{g}}{\|g\| \|\hat{g}\|}\right)$$ |
| * **Ma trận đối chứng (Ablation Study):** So sánh hiệu suất của LIPE V2 (Trạng thái A+B, có/không có AW Loss) để làm nổi bật đóng góp của hàm Adaptive Wing Loss trong việc xử lý răng cưa quang học. |
|
|
| --- |
|
|
| ## 5. Checklist Trước khi huấn luyện |
| - [ ] Tải đủ dữ liệu từ nguồn gốc (MPIIGaze & L2CS Dataset). |
| - [ ] Chuyển đổi toàn bộ nhãn sang định dạng chuẩn (Radians). |
| - [ ] Kiểm tra tính toàn vẹn của tệp `.mat` hoặc `.json` chứa nhãn tọa độ. |
| - [ ] Thiết lập thư mục dữ liệu theo cấu trúc: |
| ```text |
| data/ |
| ├── MPIIGaze/ |
| └── L2CS_Dataset/ |
| ``` |
| - [ ] Đảm bảo bộ tiền xử lý Affine đã chạy đúng trên tập test. |
| |
| --- |
