{"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\/pt\/blog\/news\/otkryt-kod-sistemy-mashinnogo-obucheniya-dlya-generaczii-realistichnyh-dvizhenij-cheloveka","title":{"rendered":"C\u00f3digo do sistema de aprendizado de m\u00e1quina para gera\u00e7\u00e3o de movimentos realistas do ser humano foi liberado","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Um grupo de pesquisadores da Universidade de Tel Aviv revelou os c\u00f3digos-fonte relacionados ao sistema de aprendizado de m\u00e1quina MDM (Motion Diffusion Model), que permite gerar movimentos humanos realistas. O c\u00f3digo \u00e9 escrito em Python utilizando o framework PyTorch e \u00e9 distribu\u00eddo sob a licen\u00e7a MIT. Para a realiza\u00e7\u00e3o de experimentos, \u00e9 poss\u00edvel usar modelos prontos ou treinar modelos de forma aut\u00f4noma com a ajuda de scripts oferecidos, por exemplo, utilizando a cole\u00e7\u00e3o de imagens tridimensionais de humanos HumanML3D. Um GPU com suporte a CUDA \u00e9 necess\u00e1rio para o treinamento do sistema. <\/p>\n
A aplica\u00e7\u00e3o dos m\u00e9todos tradicionais para animar os movimentos humanos \u00e9 dificultada pelas complexidades relacionadas \u00e0 grande variedade de movimentos poss\u00edveis e \u00e0 dificuldade de sua descri\u00e7\u00e3o formal, al\u00e9m da alta sensibilidade da percep\u00e7\u00e3o humana a movimentos n\u00e3o naturais. Tentativas anteriores de usar modelos gerativos de aprendizado de m\u00e1quina enfrentaram problemas com qualidade e expressividade limitada. <\/p>\n
No sistema proposto, foi feita uma tentativa de utilizar modelos de difus\u00e3o para gerar movimentos, que por sua natureza se adequam melhor \u00e0 simula\u00e7\u00e3o de movimentos humanos, mas n\u00e3o est\u00e3o isentos de desvantagens, como altas exig\u00eancias de recursos computacionais e complexidade de controle. Para minimizar as desvantagens dos modelos de difus\u00e3o, uma rede neural com arquitetura \"transformer\" foi implementada em MDM, prevendo um padr\u00e3o (sample) em vez de prever o ru\u00eddo em cada etapa, o que facilita a preven\u00e7\u00e3o de anomalias, como a perda de contato da superf\u00edcie com o p\u00e9. <\/p>\n
Para gerenciar a gera\u00e7\u00e3o, h\u00e1 a possibilidade de aplicar uma descri\u00e7\u00e3o de a\u00e7\u00e3o em linguagem natural (por exemplo, \"a pessoa caminha para frente e se inclina para pegar algo do ch\u00e3o\") ou usar a\u00e7\u00f5es t\u00edpicas, como \"correr\" e \"pular\". O sistema tamb\u00e9m pode ser usado para editar movimentos e preencher detalhes perdidos. Os pesquisadores conduziram testes, nos quais os participantes deveriam escolher entre v\u00e1rias op\u00e7\u00f5es a que considerassem o resultado de melhor qualidade \u2014 em 42% dos casos, as pessoas preferiram movimentos sintetizados em vez dos reais.
![\"Por](\"https:\/\/img.youtube.com\/vi\/rVkIDj5wgjs\/hqdefault.jpg\")
\r\n