Metodologi Ilmiah & Arsitektur Privasi
Detect Face Shape menggabungkan antropometri kraniofasial klinis dengan visi komputer sisi klien untuk klasifikasi geometri wajah yang objektif.
Jaminan Privasi Biometrik Tanpa Server
Eksekusi murni di sisi klien melalui WebAssembly & WebGL
Sebagian besar alat analisis wajah di web mengharuskan pengguna mengunggah foto beresolusi tinggi ke server cloud tempat jaringan saraf memproses dan menyimpannya. Hal ini menimbulkan risiko privasi dan keamanan biometrik.
detectfaceshape.app beroperasi dengan arsitektur tanpa server:
- Biner model Google MediaPipe Face Landmarker dan runtime WASM dijalankan secara ketat di dalam sandbox browser lokal Anda.
- Semua foto yang diunggah dan bingkai kamera didekodekan ke kanvas di luar layar dalam memori volatil browser lokal dan langsung dihapus setelah klasifikasi.
- Tidak ada data gambar, koordinat biometrik, atau representasi vektor yang dikirim melalui jaringan. Anda bahkan dapat mematikan internet setelah halaman dimuat, dan detektor akan tetap berfungsi.
Antropometri Kraniofasial & Titik Acuan Utama
Klasifikasi wajah manusia di detectfaceshape.app berakar pada antropometri medis standar yang dipelopori oleh Leslie G. Farkas. Alih-alih menebak, algoritma kami mengekstrak 4 dimensi fisik tepat dari 468 titik acuan:
Trichion (10) ke Menton (152)
Jarak vertikal antara garis rambut atas dan ujung dagu, yang menentukan panjang wajah secara keseluruhan.
Zygion Kiri (234) ke Kanan (454)
Jarak horizontal maksimum antara lengkung zigomatik, menetapkan sumbu horizontal utama wajah.
Frontotemporale Kiri (127) ke Kanan (356)
Lebar horizontal antara pelipis di dahi, sangat penting untuk mengidentifikasi bentuk Hati dan Segitiga.
Gonion Kiri (58) ke Kanan (288)
Jarak melintasi sudut rahang bilateral dari mandibula, diagnostik untuk bentuk Persegi dan Segitiga.
Referensi & Kutipan Akademik
- Farkas, L. G. (1994). Anthropometry of the Head and Face (2nd ed.). New York: Raven Press. Pengukuran standar proporsi wajah dan nilai kraniofasial normatif di berbagai populasi.
- Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z., Lin, S., & Guo, B. (2021). Swin Transformer: Hierarchical Vision Transformer using Shifted Windows. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 10012–10022.
- Lugaresi, C., et al. (2019). MediaPipe: A Framework for Building Perception Pipelines. arXiv preprint arXiv:1906.08172. Google Research.