一文看懂-纹理/贴图/材质

纹理(Texture)应用于网格表面上的标准位图图像,即3D 对象的 2D 贴图。

贴图(Map)指的是绘制在对象模型表面上的那些图像数据,其所使用的图像文件称为纹理。贴图还包含纹理图在对象表面的坐标(UV坐标)等其他数据信息。

可以说,纹理是贴图的子集

另外。Map也可以理解为“映射”。Map的功能就是把纹理通过 UV 坐标映射到3D 物体表面。

换个说法,贴图贴在模型表面上之后,显示出来的样子叫做模型的纹理。

UV坐标(UV)就是图片的百分比坐标,水平方向叫做U,垂直方向叫做V。

UV坐标是贴图影射到模型表面的依据,其作用演示如下:

UV坐标数据出现错误,纹理发生“错位”

包含正确UV坐标的贴图效果

在Unity中,使用网格可描述形状,使用材质可描述表面的外观。

网格(mesh)是 Unity 的主要图形基元。网格定义了对象的形状。

材质(Material)是一个数据集,包含纹理及UV坐标,贴图的输入输出控制等其他信息。Unity中的材质也叫材质球,在文件资源里以球体预支模型表示。

网格和材质的关系以一个咖啡桌演示如下:

咖啡桌的网格

咖啡桌的材质

网格和材质构成咖啡桌的物体表面

层级上简单来说是材质包含贴图,贴图包含纹理

在Unity中一个直观的演示如下

对象的外观由①网格和②材质构成

材质的表面有设置各种属性如颜色金属度粗糙度的贴图

枪的材质使用的贴图取自资源包中的纹理资源

此文章只是为了记录一下学习笔记

不堪为他人答疑解惑之用

如有不足欢迎指正交流

  • 2
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Faster R-CNN是一种目标检测算法,用于在图像中定位和识别物体。它是R-CNN算法的改进版本,通过引入区域提议网络(Region Proposal Network,RPN)来提高检测的速度。 Faster R-CNN的工作流程可以分为两个阶段:区域提议和物体分类。 在区域提议阶段,首先使用卷积神经网络(CNN)对输入图像进行特征提取。然后,RPN通过滑动窗口在特征图上生成一系列候选区域。每个候选区域都有一个边界框(bounding box)和一个预测得分。RPN通过一个二分类器来判断每个候选区域是否包含感兴趣的物体,并根据得分对候选区域进行排序。 在物体分类阶段,对于每个候选区域,使用RoI池化层将其映射为固定大小的特征向量。然后,这些特征向量通过全连接层进行分类和回归,得到每个候选区域的类别预测和边界框坐标调整。 整个网络采用端到端的训练方式,在训练过程中同时优化RPN和分类网络。训练时,通过计算候选区域与真实标注框之间的IoU(交并比)来确定正负样本,并使用多任务损失函数进行优化。 Faster R-CNN相比于R-CNN,通过引入RPN网络实现了端到端的训练,避免了繁琐的候选区域提取过程,大大提高了检测的速度和准确性。同时,Faster R-CNN还可以通过改变RPN的输出尺度来检测不同大小的物体。这使得Faster R-CNN成为目标检测领域的重要方法之一。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值