વાસ્તવિક માનવીય હલનચલન પેદા કરવા માટે મશીન લર્નિંગ સિસ્ટમનો કોડ ખોલવામાં આવ્યો છે

તેલ અવીવ યુનિવર્સિટીના સંશોધકોની ટીમે MDM (મોશન ડિફ્યુઝન મોડલ) મશીન લર્નિંગ સિસ્ટમ સાથે સંકળાયેલ સ્રોત કોડ ખોલ્યો છે, જે વાસ્તવિક માનવીય હલનચલન પેદા કરવાની મંજૂરી આપે છે. કોડ PyTorch ફ્રેમવર્કનો ઉપયોગ કરીને Python માં લખાયેલ છે અને MIT લાયસન્સ હેઠળ વિતરિત કરવામાં આવે છે. પ્રયોગો કરવા માટે, તમે બંને તૈયાર મોડેલોનો ઉપયોગ કરી શકો છો અને સૂચિત સ્ક્રિપ્ટ્સનો ઉપયોગ કરીને મોડેલોને જાતે તાલીમ આપી શકો છો, ઉદાહરણ તરીકે, ત્રિ-પરિમાણીય માનવ છબીઓના HumanML3D સંગ્રહનો ઉપયોગ કરીને. સિસ્ટમને તાલીમ આપવા માટે, CUDA સપોર્ટ સાથે GPU જરૂરી છે.

સંભવિત હલનચલનની વિશાળ વિવિધતા સાથે સંકળાયેલી ગૂંચવણો અને તેનું ઔપચારિક વર્ણન કરવામાં મુશ્કેલી તેમજ અકુદરતી હલનચલન પ્રત્યે માનવીય દ્રષ્ટિકોણની મહાન સંવેદનશીલતાને કારણે પરંપરાગત ક્ષમતાઓનો ઉપયોગ કરવો મુશ્કેલ છે. જનરેટિવ મશીન લર્નિંગ મોડલ્સનો ઉપયોગ કરવાના અગાઉના પ્રયાસોમાં ગુણવત્તા અને મર્યાદિત અભિવ્યક્તિ સાથે સમસ્યાઓ હતી.

સૂચિત સિસ્ટમ હલનચલન પેદા કરવા માટે પ્રસરણ મોડલનો ઉપયોગ કરવાનો પ્રયાસ કરે છે, જે માનવીય હલનચલનનું અનુકરણ કરવા માટે સ્વાભાવિક રીતે વધુ સારી રીતે અનુકૂળ છે, પરંતુ તેમાં ખામીઓ નથી, જેમ કે ઉચ્ચ કોમ્પ્યુટેશનલ આવશ્યકતાઓ અને નિયંત્રણ જટિલતા. ડિફ્યુઝન મોડલ્સની ખામીઓને ઘટાડવા માટે, MDM દરેક તબક્કે અવાજની આગાહીને બદલે ટ્રાન્સફોર્મર ન્યુરલ નેટવર્ક અને નમૂના અનુમાનનો ઉપયોગ કરે છે, જે પગ સાથે સપાટીના સંપર્કને ગુમાવવા જેવી વિસંગતતાઓને અટકાવવાનું સરળ બનાવે છે.

જનરેશનને નિયંત્રિત કરવા માટે, કુદરતી ભાષામાં ક્રિયાના ટેક્સ્ટ વર્ણનનો ઉપયોગ કરવો શક્ય છે (ઉદાહરણ તરીકે, "વ્યક્તિ આગળ ચાલે છે અને જમીન પરથી કંઈક ઉપાડવા માટે નીચે વળે છે") અથવા "દોડવું" અને "" જેવી માનક ક્રિયાઓનો ઉપયોગ કરવો શક્ય છે. જમ્પિંગ." સિસ્ટમનો ઉપયોગ હલનચલન સંપાદિત કરવા અને ખોવાયેલી વિગતો ભરવા માટે પણ થઈ શકે છે. સંશોધકોએ એક પરીક્ષણ હાથ ધર્યું હતું જેમાં સહભાગીઓને ઘણા વિકલ્પોમાંથી વધુ સારું પરિણામ પસંદ કરવાનું કહેવામાં આવ્યું હતું - 42% કિસ્સાઓમાં, લોકોએ વાસ્તવિક લોકો કરતાં સંશ્લેષિત હલનચલનને પ્રાધાન્ય આપ્યું હતું.

સોર્સ: opennet.ru