{"id":105302,"date":"2022-10-13T15:36:48","date_gmt":"2022-10-13T13:36:48","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/otkryt-kod-sistemy-mashinnogo-obucheniya-dlya-generaczii-realistichnyh-dvizhenij-cheloveka"},"modified":"2022-10-13T15:36:48","modified_gmt":"2022-10-13T13:36:48","slug":"otkryt-kod-sistemy-mashinnogo-obucheniya-dlya-generaczii-realistichnyh-dvizhenij-cheloveka","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/otkryt-kod-sistemy-mashinnogo-obucheniya-dlya-generaczii-realistichnyh-dvizhenij-cheloveka","title":{"rendered":"Der Code des Systems f\u00fcr maschinelles Lernen zur Generierung realistischer menschlicher Bewegungen wurde ge\u00f6ffnet.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Eine Gruppe von Forschern der Universit\u00e4t Tel Aviv hat die Quelltexte zur MDM (Motion Diffusion Model) System, das realistische menschliche Bewegungen generieren kann, ver\u00f6ffentlicht. Der Code ist in Python geschrieben und verwendet das PyTorch-Framework, und wird unter der MIT-Lizenz verbreitet. F\u00fcr Experimente k\u00f6nnen sowohl vorgefertigte Modelle als auch eigene Modelltrainings mithilfe der bereitgestellten Skripte durchgef\u00fchrt werden, zum Beispiel mit der Sammlung dreidimensionaler menschlicher Bilder HumanML3D. Ein GPU mit CUDA-Unterst\u00fctzung ist f\u00fcr das Training des Systems erforderlich. <\/p>\n
Die Anwendung traditioneller M\u00f6glichkeiten zur Animation von menschlichen Bewegungen ist aufgrund der Komplexit\u00e4t, die mit der Vielzahl m\u00f6glicher Bewegungen und der Schwierigkeit ihrer formalen Beschreibung einhergeht, sowie wegen der hohen Empfindlichkeit des menschlichen Wahrnehmungsverm\u00f6gens gegen\u00fcber unnat\u00fcrlichen Bewegungen erschwert. Fr\u00fchere Versuche, generative Modelle des maschinellen Lernens zu nutzen, wiesen Qualit\u00e4tsprobleme und eingeschr\u00e4nkte Ausdruckskraft auf. <\/p>\n
Im vorgeschlagenen System wurde versucht, Diffusionsmodelle zur Generierung von Bewegungen zu verwenden, die in ihrer Natur besser f\u00fcr die Simulation menschlicher Bewegungen geeignet sind, aber nicht ohne Nachteile wie hohe Anforderungen an die Rechenressourcen und Komplexit\u00e4t in der Steuerung. Um die Nachteile der Diffusionsmodelle zu minimieren, wird im MDM ein neuronales Netzwerk mit einer «Transformer»-Architektur und einer Musterprognose (sample) anstelle der Rauschprognose in jedem Schritt eingesetzt, was es erleichtert, Anomalien wie den Verlust des Kontakts der Oberfl\u00e4che mit dem Fu\u00df zu verhindern. <\/p>\n
Zur Steuerung der Generierung besteht die M\u00f6glichkeit, eine Textbeschreibung der Aktion in nat\u00fcrlicher Sprache (zum Beispiel «eine Person geht vorw\u00e4rts und beugt sich, um etwas vom Boden aufzuheben») oder die Verwendung Standardaktionen wie «Laufen» und «Springen» anzuwenden. Das System kann auch zur Bearbeitung von Bewegungen und zum Ausf\u00fcllen verlorener Details verwendet werden. Forscher f\u00fchrten Tests durch, bei denen Teilnehmer aufgefordert wurden, aus mehreren Optionen das qualitativ bessere Ergebnis auszuw\u00e4hlen \u2013 in 42 % der F\u00e4lle bevorzugten die Menschen synthetisierte Bewegungen gegen\u00fcber realen.
![\"Video](\"https:\/\/img.youtube.com\/vi\/rVkIDj5wgjs\/hqdefault.jpg\")
\r\n