Wirtualna przymierzalnia ubrań w sklepach internetowych

Cały proces składał się z poniższych etapów tworzenia modelu:

1. Określiliśmy wraz z klientem cel projektu, zarówno biznesowo, jak i technicznie.
   Celem było opracowanie rozwiązania opartego na wielu modelach przy założeniu, że dane były dostępne na sylwetce użytkownika.
2. Zebraliśmy i wyodrębniliśmy odpowiednie dane.
   Na tym etapie wyodrębniliśmy odpowiednie cechy osoby i ubrania.
3. Zintegrowane dane wykorzystaliśmy do tworzenia modelu.
   Wykorzystując zebrane dane w postaci konkretnych cech, stworzyliśmy realistyczną wizualizację awatara użytkownika w przymierzanych ubraniach.
4. Wdrożenie modelu i przetestowanie go w różnych warunkach.
   Aby użytkownik mógł jak najlepiej ocenić przymierzane ubrania, rozwiązanie przedstawia wizualizację w różnych pozach awatara.

W trakcie tego procesu zastosowaliśmy m.in. takie technologie, jak:

• DensePose — strategia polega na szacowaniu gęstej pozycji człowieka poprzez dzielenie powierzchni. I dla każdego piksela określamy, do jakiej części powierzchni należy, gdzie się znajduje w parametryzacji 2D, której części odpowiada. Po prawej stronie pokazano podział powierzchni i „zgodność z punktem na części”.
• Segmentacja (Computer Vision) – dzieliliśmy obraz na wiele segmentów lub obiektów należących do tej samej klasy. To zadanie grupowania opierało się na określonych kryteriach, na przykład kolorze lub fakturze.
• Coordinate Completion Model — wykorzystaliśmy model, który generuje kod na podstawie już napisanego kodu. Do uzupełniania kodu jest obsługiwany przez API generowania kodu.
• GAN (Generacyjne sieci przeciwstawne) do modelowania generatywnego z wykorzystaniem metod głębokiego uczenia się, takich jak splotowe sieci neuronowe. Umożliwia to uczenie się prawidłowości lub wzorców w danych wejściowych w taki sposób, że model można wykorzystać do wygenerowania lub przedstawienia nowych przykładów, które można było wyciągnąć z oryginalnego zbioru danych.