{"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\/fr\/blog\/news\/otkryt-kod-sistemy-mashinnogo-obucheniya-dlya-generaczii-realistichnyh-dvizhenij-cheloveka","title":{"rendered":"Le code du syst\u00e8me d'apprentissage automatique pour g\u00e9n\u00e9rer des mouvements r\u00e9alistes de l'homme a \u00e9t\u00e9 ouvert.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Un groupe de chercheurs de l'Universit\u00e9 de Tel-Aviv a publi\u00e9 les textes sources li\u00e9s au syst\u00e8me d'apprentissage automatique MDM (Motion Diffusion Model), permettant de g\u00e9n\u00e9rer des mouvements humains r\u00e9alistes. Le code est \u00e9crit en Python en utilisant le framework PyTorch et est distribu\u00e9 sous licence MIT. Pour mener des exp\u00e9riences, il est possible d'utiliser des mod\u00e8les pr\u00e9existants ou de former des mod\u00e8les par soi-m\u00eame \u00e0 l'aide des scripts propos\u00e9s, par exemple en utilisant la collection d'images 3D humaines HumanML3D. Un GPU avec support CUDA est requis pour former le syst\u00e8me. <\/p>\n
L'application des capacit\u00e9s traditionnelles pour animer les mouvements humains est compliqu\u00e9e en raison des d\u00e9fis li\u00e9s \u00e0 la grande vari\u00e9t\u00e9 des mouvements possibles et \u00e0 la difficult\u00e9 de leur description formelle, ainsi que de la grande sensibilit\u00e9 de la perception humaine aux mouvements non naturels. Les tentatives ant\u00e9rieures d'utiliser des mod\u00e8les g\u00e9n\u00e9ratifs d'apprentissage automatique avaient des probl\u00e8mes de qualit\u00e9 et d'expressivit\u00e9 limit\u00e9e. <\/p>\n
Le syst\u00e8me propos\u00e9 tente d'utiliser des mod\u00e8les de diffusion pour g\u00e9n\u00e9rer des mouvements, qui sont intrins\u00e8quement mieux adapt\u00e9s \u00e0 la simulation des mouvements humains, mais ne sont pas sans inconv\u00e9nients, tels que des exigences \u00e9lev\u00e9es en ressources computationnelles et une complexit\u00e9 de gestion. Pour minimiser les inconv\u00e9nients des mod\u00e8les de diffusion, un r\u00e9seau neuronal de type \u00ab transformateur \u00bb est impliqu\u00e9 dans le MDM, utilisant la pr\u00e9vision d'\u00e9chantillons plut\u00f4t que la pr\u00e9vision de bruit \u00e0 chaque \u00e9tape, ce qui facilite la pr\u00e9vention des anomalies, telles que la perte de contact entre la surface et le pied. <\/p>\n
Pour g\u00e9rer la g\u00e9n\u00e9ration, il est possible d'utiliser une description textuelle de l'action en langage naturel (par exemple, \u00ab une personne marche en avant et se penche pour ramasser quelque chose sur le sol \u00bb) ou d'utiliser des actions typiques, telles que \u00ab courir \u00bb et \u00ab sauter \u00bb. Le syst\u00e8me peut \u00e9galement \u00eatre utilis\u00e9 pour modifier des mouvements et compl\u00e9ter des d\u00e9tails manquants. Les chercheurs ont men\u00e9 des tests o\u00f9 les participants devaient choisir la meilleure qualit\u00e9 parmi plusieurs options - dans 42% des cas, les gens ont pr\u00e9f\u00e9r\u00e9 les mouvements synth\u00e9tis\u00e9s \u00e0 ceux r\u00e9els.
![\"Lire](\"https:\/\/img.youtube.com\/vi\/rVkIDj5wgjs\/hqdefault.jpg\")
\r\n