{"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\/novosti-interneta\/otkryt-kod-sistemy-mashinnogo-obucheniya-dlya-generaczii-realistichnyh-dvizhenij-cheloveka","title":{"rendered":"Der Code f\u00fcr das maschinelle Lernsystem zur Generierung realistischer menschlicher Bewegungen wurde ver\u00f6ffentlicht.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Eine Gruppe von Forschern der Universit\u00e4t Tel Aviv hat die Quelltexte des MDM (Motion Diffusion Model) ver\u00f6ffentlicht, einem System f\u00fcr maschinelles Lernen, das realistische menschliche Bewegungen generiert. Der Code ist in Python geschrieben und verwendet das Framework PyTorch, und wird unter der MIT-Lizenz verbreitet. F\u00fcr die Durchf\u00fchrung von Experimenten k\u00f6nnen sowohl vorgefertigte Modelle als auch eigene Trainingseinheiten mithilfe der bereitgestellten Skripte verwendet werden, zum Beispiel mit der Sammlung von dreidimensionalen Bildern des Menschen, HumanML3D. F\u00fcr das Training des Systems wird eine GPU mit CUDA-Unterst\u00fctzung ben\u00f6tigt. <\/p>\n
Die Anwendung traditioneller Methoden zur Animation menschlicher Bewegungen gestaltet sich schwierig, da es viele unterschiedliche Bewegungsmuster gibt und die formale Beschreibung dieser herausfordernd ist. Zudem reagiert das menschliche Wahrnehmungsverm\u00f6gen sehr empfindlich auf unnat\u00fcrliche Bewegungen. Fr\u00fchere Versuche, generative Modelle des maschinellen Lernens zu nutzen, hatten Probleme mit der Qualit\u00e4t und der eingeschr\u00e4nkten Ausdruckskraft. <\/p>\n
Im vorgeschlagenen System wurde versucht, Diffusionsmodelle zur Generierung von Bewegungen zu nutzen, die aufgrund ihrer Natur besser f\u00fcr die Simulation menschlicher Bewegungen geeignet sind, jedoch nicht ohne Nachteile, wie hohe Anforderungen an die Rechenressourcen und Komplexit\u00e4t in der Handhabung. Um die Nachteile der Diffusionsmodelle zu minimieren, kommt in MDM ein neuronales Netzwerk mit der Architektur \u201eTransformer\u201c zum Einsatz, das anstelle der Rauschprognose in jedem Schritt die Musterprognose verwendet, was das Verhindern von Anomalien, wie dem Verlust des Kontaktbereichs zwischen Fu\u00df und Oberfl\u00e4che, vereinfacht. <\/p>\n
F\u00fcr die Verwaltung der Generierung besteht die M\u00f6glichkeit, eine textliche Beschreibung der Handlung in nat\u00fcrlicher Sprache zu verwenden (zum Beispiel: \u201eEine Person geht voran und beugt sich, um etwas vom Boden aufzuheben\u201c) oder die Verwendung standartisierter Aktionen wie \u201eLaufen\u201c und \u201eSpringen\u201c. Das System kann auch zur Bearbeitung von Bewegungen und zur Wiederherstellung verlorener Details eingesetzt werden. In einer Studie w\u00e4hlten die Teilnehmer aus mehreren Optionen das qualitativ bessere Ergebnis aus \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