在乌鲁木齐三维流程动画制作中，动作捕捉技术是非常重要的，但是如果没有符合条件的区域，项目会延迟时间导致工期推迟。而一个叫做DensePose：自然环境下人体的高姿态模拟的项目改变了这个现象。
   DensePose：自然环境下人体的高姿态模拟是由Rıza Alp Güler、Natalia Neverova、 Iasonas Kokkinos共同完成的他们这套系统与DenseReg类似（他们的人脸捕捉系统），他们的策略是通过划分表面来查找密集的对应关系。对于每个像素，确定：它所附带的表面部分，在那里它对应的零件的二维参数化。在右侧，演示了表面的分区和“与零件上的点的对应关系”。他们采用具有特征金字塔网络（FPN）特征的掩模RCNN结构和ROI对齐池以获得每个选定区域内的密集部分标签和坐标。他们在ROI池中引入全卷积网络，完全致力于两个任务：为选择表面部分生成每像素分类结果。对于每部分回归局部坐标。
    在推断过程中，他们的系统使用GTX1080图形卡在320x240的图像上以25fps的速度运行，在800x1100的图像上以4-5fps的速度运行。
    DensePose-RCNN系统可以使用注释点作为监督直接进行培训。然而，他们通过在原本未注释的位置上“监督”监督信号的值来获得更好的结果。为了达到这个目的，他们采用了一种基于学习的方法，首先训练一个“教师”网络：一个全卷积神经网络（下面描述），在给定图像尺度归一化图像和分割掩模的情况下重建地面真值。
   他们使用级联策略进一步提高了系统的性能。通过级联，他们利用来自相关任务的信息，如关键点估计和实例分割，这些已经由Mask-RCNN架构成功解决。这使他们能够利用任务协同作用和不同监督来源的互补优势。
  以上就是关于DensePose：自然环境下人体的高姿态模拟的全部内容了，来自微工匠的小编感谢你的观看。