{"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\/es\/blog\/news\/otkryt-kod-sistemy-mashinnogo-obucheniya-dlya-generaczii-realistichnyh-dvizhenij-cheloveka","title":{"rendered":"Se ha abierto el c\u00f3digo del sistema de aprendizaje autom\u00e1tico para generar movimientos realistas del ser humano.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Un grupo de investigadores de la Universidad de Tel Aviv ha publicado los textos fuente relacionados con el sistema de aprendizaje autom\u00e1tico MDM (Motion Diffusion Model), que permite generar movimientos humanos realistas. El c\u00f3digo est\u00e1 escrito en Python utilizando el marco PyTorch y se distribuye bajo la licencia MIT. Para llevar a cabo experimentos, se pueden utilizar tanto modelos preentrenados como realizar el entrenamiento de modelos por cuenta propia utilizando los scripts ofrecidos, por ejemplo, utilizando la colecci\u00f3n de im\u00e1genes tridimensionales de humanos HumanML3D. Se requiere una GPU con soporte CUDA para entrenar el sistema. <\/p>\n
La aplicaci\u00f3n de capacidades tradicionales para animar los movimientos humanos se ve obstaculizada por las complicaciones relacionadas con la gran diversidad de movimientos posibles y la dificultad para describirlos formalmente, as\u00ed como por la alta sensibilidad de la percepci\u00f3n humana a los movimientos no naturales. Los intentos previos de usar modelos generativos de aprendizaje autom\u00e1tico han encontrado problemas con la calidad y la expresividad limitada. <\/p>\n
En el sistema propuesto se ha intentado utilizar modelos de difusi\u00f3n para generar movimientos, que por su naturaleza son m\u00e1s adecuados para simular el movimiento humano, pero no est\u00e1n exentos de desventajas, como altas demandas de recursos computacionales y la complejidad de su manejo. Para minimizar las desventajas de los modelos de difusi\u00f3n, se ha involucrado una red neuronal con arquitectura de 'transformador' y la predicci\u00f3n de la muestra en lugar de la predicci\u00f3n del ruido en cada etapa, lo que simplifica la prevenci\u00f3n de anomal\u00edas, como la p\u00e9rdida de contacto de la superficie con el pie. <\/p>\n
Para gestionar la generaci\u00f3n se prev\u00e9 la posibilidad de aplicar una descripci\u00f3n de la acci\u00f3n en lenguaje natural (por ejemplo, 'una persona avanza y se inclina para recoger algo del suelo') o utilizar acciones est\u00e1ndar, como 'correr' y 'saltar'. El sistema tambi\u00e9n se puede aplicar para editar movimientos y completar detalles faltantes. Los investigadores llevaron a cabo una prueba en la que a los participantes se les pidi\u00f3 que eligieran entre varias opciones la mejor calidad de resultado: en el 42% de los casos, las personas prefirieron los movimientos sintetizados sobre los reales.
![\"Reproducir](\"https:\/\/img.youtube.com\/vi\/rVkIDj5wgjs\/hqdefault.jpg\")
\r\n