{"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\/nl\/blog\/news\/otkryt-kod-sistemy-mashinnogo-obucheniya-dlya-generaczii-realistichnyh-dvizhenij-cheloveka","title":{"rendered":"De code van het systeem voor machine learning om realistische menselijke bewegingen te genereren, is vrijgegeven.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Een groep onderzoekers van de Universiteit van Tel Aviv heeft de oorspronkelijke teksten vrijgegeven die verband houden met het Motion Diffusion Model (MDM), een systeem voor machinaal leren dat het mogelijk maakt om realistische menselijke bewegingen te genereren. De code is geschreven in Python met behulp van het PyTorch-framework en wordt verspreid onder de MIT-licentie. Voor experimenten kunnen zowel kant-en-klare modellen worden gebruikt als modellen zelf worden getraind met de aangeboden scripts, bijvoorbeeld met de collectie van driedimensionale menselijke beelden HumanML3D. Voor de training van het systeem is een GPU met CUDA-ondersteuning vereist. <\/p>\n
Het gebruik van traditionele mogelijkheden voor het animeren van menselijke bewegingen is bemoeilijkt door complicaties, die voortkomen uit de grote diversiteit aan mogelijke bewegingen en de moeilijkheid om deze formeel te beschrijven, evenals door de hoge gevoeligheid van de menselijke perceptie voor onnatuurlijke bewegingen. Eerdere pogingen om generatieve modellen van machinaal leren te gebruiken hadden problemen met de kwaliteit en een beperkte expressiviteit. <\/p>\n
In het voorgestelde systeem is geprobeerd om gebruik te maken van diffusie modellen voor het genereren van bewegingen, die in principe beter geschikt zijn voor het simuleren van menselijke bewegingen, maar niet zonder tekortkomingen zijn, zoals hoge eisen aan rekenkracht en de complexiteit van beheer. Om de nadelen van diffusie modellen te minimaliseren, wordt in MDM een neuraal netwerk met een 'transformer' architectuur ingezet en wordt er gebruikgemaakt van voorbeeldprojectie (sample) in plaats van het voorspellen van ruis in elke fase, wat het voorkomen van anomalie\u00ebn, zoals het verlies van contact van het oppervlak met de voet, vereenvoudigt. <\/p>\n
Voor het beheren van de generatie is er de mogelijkheid om een tekstuele beschrijving van de actie in natuurlijke taal toe te passen (bijvoorbeeld, 'een persoon loopt vooruit en leunt om iets van de grond op te tillen') of gebruik te maken van standaardacties, zoals 'rennen' en 'springen'. Het systeem kan ook worden toegepast voor het bewerken van bewegingen en het aanvullen van verloren details. Onderzoekers hebben testen uitgevoerd waarbij deelnemers werd gevraagd om de meer kwalitatieve resultaten uit verschillende opties te kiezen \u2014 in 42% van de gevallen gaven mensen de voorkeur aan gesynthetiseerde bewegingen in plaats van echte.
![\"Video](\"https:\/\/img.youtube.com\/vi\/rVkIDj5wgjs\/hqdefault.jpg\")
\r\n