論文の概要: Recognition and Synthesis of Object Transport Motion

• arxiv url: http://arxiv.org/abs/2009.12967v1
• Date: Sun, 27 Sep 2020 22:13:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:53:31.886873
• Title: Recognition and Synthesis of Object Transport Motion
• Title（参考訳）: 物体輸送運動の認識と合成
• Authors: Connor Daly
• Abstract要約: このプロジェクトでは、小さなモーションキャプチャデータセット上で、特別なデータ拡張テクニックとともに、ディープ畳み込みネットワークをどのように使用できるかを説明します。 このプロジェクトは、運動合成のより複雑なタスクのために、これらの同じ拡張テクニックをどのようにスケールアップするかを示している。 近年のGAN(Generative Adversarial Models)の概念、特にWasserstein GAN(英語版)の展開を探求することにより、このプロジェクトは生命に似た物体の移動運動をうまく生成できるモデルの概要を述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning typically requires vast numbers of training examples in order to be used successfully. Conversely, motion capture data is often expensive to generate, requiring specialist equipment, along with actors to generate the prescribed motions, meaning that motion capture datasets tend to be relatively small. Motion capture data does however provide a rich source of information that is becoming increasingly useful in a wide variety of applications, from gesture recognition in human-robot interaction, to data driven animation. This project illustrates how deep convolutional networks can be used, alongside specialized data augmentation techniques, on a small motion capture dataset to learn detailed information from sequences of a specific type of motion (object transport). The project shows how these same augmentation techniques can be scaled up for use in the more complex task of motion synthesis. By exploring recent developments in the concept of Generative Adversarial Models (GANs), specifically the Wasserstein GAN, this project outlines a model that is able to successfully generate lifelike object transportation motions, with the generated samples displaying varying styles and transport strategies.
• Abstract（参考訳）: ディープラーニングは一般的に、うまく利用するために、膨大な数のトレーニングサンプルを必要とする。 逆に、モーションキャプチャーデータの生成にはコストがかかることが多く、アクターが所定のモーションを生成するために特別な機器を必要とするため、モーションキャプチャーデータセットは比較的小さい傾向にある。 しかし、モーションキャプチャーデータは、人間とロボットのインタラクションにおけるジェスチャー認識からデータ駆動アニメーションまで、さまざまなアプリケーションでますます有用になりつつあるリッチな情報ソースを提供する。 このプロジェクトは、特定の種類の動き(オブジェクト転送)のシーケンスから詳細な情報を学習するための小さなモーションキャプチャデータセット上で、特殊なデータ拡張技術とともに、深い畳み込みネットワークをどのように使用できるかを示す。 このプロジェクトでは、モーション合成のより複雑なタスクで、これら同じ拡張テクニックをスケールアップする方法が示されています。 本研究は,GAN(Generative Adversarial Models)の概念,特にWasserstein GAN(英語版)の概念の最近の発展を探求することによって,様々なスタイルや輸送戦略を示すサンプルを用いて,生物のような物体の移動運動をうまく生成できるモデルを概説する。

関連論文リスト

• IMUDiffusion: A Diffusion Model for Multivariate Time Series Synthetisation for Inertial Motion Capturing Systems [0.0]
  本稿では,時系列生成に特化して設計された確率的拡散モデルIMUDiffusionを提案する。 提案手法は,人間の活動のダイナミクスを正確に捉えた高品質な時系列列の生成を可能にする。 一部のケースでは、マクロF1スコアを約30%改善することができる。
  論文  参考訳（メタデータ） (2024-11-05T09:53:52Z)
• Quo Vadis, Motion Generation? From Large Language Models to Large Motion Models [70.78051873517285]
  我々は、最初の100万レベルのモーション生成ベンチマークであるMotionBaseを紹介する。 この膨大なデータセットを活用することで、我々の大きな動きモデルは幅広い動きに対して強いパフォーマンスを示す。 動作情報を保存し,コードブックの容量を拡大する,モーショントークン化のための新しい2次元ルックアップフリーアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-04T10:48:54Z)
• Large Motion Model for Unified Multi-Modal Motion Generation [50.56268006354396]
  Large Motion Model (LMM) は、動き中心のマルチモーダルフレームワークであり、メインストリームのモーション生成タスクをジェネラリストモデルに統合する。 LMMは3つの原則的な側面からこれらの課題に取り組む。
  論文  参考訳（メタデータ） (2024-04-01T17:55:11Z)
• TrackDiffusion: Tracklet-Conditioned Video Generation via Diffusion Models [75.20168902300166]
  微粒な軌跡条件の運動制御が可能な新しい映像生成フレームワークであるTrackDiffusionを提案する。 TrackDiffusionの重要なコンポーネントは、複数のオブジェクトのフレーム間の一貫性を明確に保証するインスタンスエンハンサーである。 TrackDiffusionによって生成されたビデオシーケンスは、視覚知覚モデルのトレーニングデータとして使用できる。
  論文  参考訳（メタデータ） (2023-12-01T15:24:38Z)
• Multi-Scale Control Signal-Aware Transformer for Motion Synthesis without Phase [72.01862340497314]
  マルチスケール制御信号認識変換器(MCS-T)を提案する。 MCS-Tは補助情報を用いてメソッドが生成した動作に匹敵する動作をうまく生成できる。
  論文  参考訳（メタデータ） (2023-03-03T02:56:44Z)
• MoDi: Unconditional Motion Synthesis from Diverse Data [51.676055380546494]
  多様な動きを合成する無条件生成モデルであるMoDiを提案する。 我々のモデルは、多様な、構造化されていない、ラベルなしのモーションデータセットから完全に教師なしの設定で訓練されている。 データセットに構造が欠けているにもかかわらず、潜在空間は意味的にクラスタ化可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-16T09:06:25Z)
• AMP: Adversarial Motion Priors for Stylized Physics-Based Character Control [145.61135774698002]
  我々は,与えられたシナリオで追跡するキャラクタの動作を選択するための完全自動化手法を提案する。 キャラクタが実行するべきハイレベルなタスク目標は、比較的単純な報酬関数によって指定できる。 キャラクタの動作の低レベルスタイルは、非構造化モーションクリップのデータセットによって指定できる。 本システムでは,最先端のトラッキング技術に匹敵する高品質な動作を生成する。
  論文  参考訳（メタデータ） (2021-04-05T22:43:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。