{"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\/sv\/blog\/news\/otkryt-kod-sistemy-mashinnogo-obucheniya-dlya-generaczii-realistichnyh-dvizhenij-cheloveka","title":{"rendered":"Koden f\u00f6r maskininl\u00e4rningssystemet f\u00f6r att generera realistiska m\u00e4nskliga r\u00f6relser har \u00f6ppnats.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
En grupp forskare vid Tel Avivs universitet har publicerat k\u00e4llkoder kopplade till MDM-systemet (Motion Diffusion Model), som m\u00f6jligg\u00f6r generering av realistiska m\u00e4nskliga r\u00f6relser. Koden \u00e4r skriven i Python med hj\u00e4lp av PyTorch-ramverket och distribueras under MIT-licensen. F\u00f6r experiment kan b\u00e5de f\u00e4rdiga modeller anv\u00e4ndas och egna modeller tr\u00e4nas med hj\u00e4lp av de f\u00f6reslagna skripten, till exempel genom att anv\u00e4nda samlingen av tredimensionella bilder av m\u00e4nniskor, HumanML3D. En GPU med CUDA-st\u00f6d kr\u00e4vs f\u00f6r att tr\u00e4na systemet. <\/p>\n
Anv\u00e4ndningen av traditionella metoder f\u00f6r att animera m\u00e4nskliga r\u00f6relser \u00e4r komplicerad p\u00e5 grund av sv\u00e5righeterna kopplade till det stora utbudet av m\u00f6jliga r\u00f6relser och den formella beskrivningens komplexitet, samt p\u00e5 grund av den m\u00e4nskliga perceptionens h\u00f6ga k\u00e4nslighet f\u00f6r onaturliga r\u00f6relser. Tidigare f\u00f6rs\u00f6k att anv\u00e4nda generativa maskininl\u00e4rningsmodeller har haft problem med kvalitet och begr\u00e4nsad uttryckskraft. <\/p>\n
Det f\u00f6reslagna systemet f\u00f6rs\u00f6ker anv\u00e4nda diffusionsmodeller f\u00f6r att generera r\u00f6relser, vilket i grunden passar b\u00e4ttre f\u00f6r att simulera m\u00e4nskliga r\u00f6relser, men har nackdelar, s\u00e5som h\u00f6ga krav p\u00e5 ber\u00e4kningsresurser och sv\u00e5righeter med hantering. F\u00f6r att minimera nackdelarna med diffusionsmodeller anv\u00e4nds en neuronn\u00e4tverksarkitektur med \"transformer\"-struktur i MDM och provtagning (sample) ist\u00e4llet f\u00f6r brusprognos i varje steg, vilket f\u00f6renklar f\u00f6rebyggandet av avvikelser, s\u00e5som f\u00f6rlust av ytkontakt med foten. <\/p>\n
F\u00f6r att styra generationen finns det m\u00f6jlighet att anv\u00e4nda en textbeskrivning av handlingen p\u00e5 naturligt spr\u00e5k (till exempel \"en m\u00e4nniska g\u00e5r fram\u00e5t och lutar sig f\u00f6r att plocka upp n\u00e5got fr\u00e5n marken\") eller anv\u00e4nda standardiserade handlingar som \"l\u00f6pning\" och \"hopp\". Systemet kan ocks\u00e5 anv\u00e4ndas f\u00f6r att redigera r\u00f6relser och fylla i saknade detaljer. Forskare genomf\u00f6rde tester d\u00e4r deltagarna ombads v\u00e4lja det mer kvalitativa resultatet bland flera alternativ \u2014 i 42 % av fallen f\u00f6redrog m\u00e4nniskor de syntetiserade r\u00f6relserna framf\u00f6r de verkliga.
![\"Spela](\"https:\/\/img.youtube.com\/vi\/rVkIDj5wgjs\/hqdefault.jpg\")
\r\n