{"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\/it\/blog\/news\/otkryt-kod-sistemy-mashinnogo-obucheniya-dlya-generaczii-realistichnyh-dvizhenij-cheloveka","title":{"rendered":"\u00c8 stato aperto il codice del sistema di machine learning per generare movimenti realistici dell'essere umano.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Un gruppo di ricercatori dell'Universit\u00e0 di Tel Aviv ha rilasciato i testi sorgente relativi al sistema di apprendimento automatico MDM (Motion Diffusion Model), che permette di generare movimenti realistici dell'uomo. Il codice \u00e8 scritto in Python utilizzando il framework PyTorch ed \u00e8 distribuito con licenza MIT. Per condurre esperimenti, si possono utilizzare sia modelli pronti all'uso sia addestrare i modelli autonomamente utilizzando gli script forniti, ad esempio, impiegando la raccolta di immagini tridimensionali umane HumanML3D. Per l'addestramento del sistema \u00e8 necessario un GPU con supporto CUDA. <\/p>\n
L'uso delle tradizionali capacit\u00e0 per animare i movimenti umani \u00e8 complicato a causa delle difficolt\u00e0 legate alla grande variet\u00e0 di movimenti possibili e alla difficolt\u00e0 di una loro descrizione formale, cos\u00ec come per l'alta sensibilit\u00e0 della percezione umana ai movimenti innaturali. Le precedenti tentativi di utilizzare modelli generativi di apprendimento automatico hanno avuto problemi di qualit\u00e0 e una limitata espressivit\u00e0. <\/p>\n
Nel sistema proposto \u00e8 stata tentata l'implementazione di modelli di diffusione per generare movimenti, i quali sono intrinsecamente pi\u00f9 adatti alla simulazione dei movimenti umani, ma non privi di svantaggi, come l'alto fabbisogno di risorse computazionali e la complessit\u00e0 nella gestione. Per minimizzare i difetti dei modelli di diffusione, nel MDM \u00e8 stata impiegata una rete neurale con architettura 'trasformatore' e la previsione di un campione invece della previsione del rumore a ogni fase, semplificando cos\u00ec la prevenzione di anomalie, come la perdita di contatto della superficie con il piede. <\/p>\n
Per gestire la generazione \u00e8 prevista la possibilit\u00e0 di applicare una descrizione testuale dell'azione in linguaggio naturale (ad esempio, 'una persona sta camminando in avanti e si piega per raccogliere qualcosa da terra') o di utilizzare azioni standard, come 'corsa' e 'salti'. Il sistema pu\u00f2 anche essere utilizzato per modificare i movimenti e ripristinare dettagli mancanti. I ricercatori hanno condotto test in cui ai partecipanti \u00e8 stato chiesto di scegliere tra diverse opzioni il risultato di maggiore qualit\u00e0 - nel 42% dei casi, le persone hanno preferito i movimenti sintetizzati piuttosto che quelli reali.
![\"Guarda](\"https:\/\/img.youtube.com\/vi\/rVkIDj5wgjs\/hqdefault.jpg\")
\r\n