Notice bibliographique
Résumé
<JATS1:p>Want to be the next Andy Serkis as Gollum in Lord of the Rings? Or Zoe Saldana in Avatar? How about Seth MacFarlane in Ted? Or do you want to star in video games such as Fortnite, Call of Duty or Halo?</JATS1:p> <JATS1:p>If so, this book will tell you everything you need to know about acting for motion capture.</JATS1:p> <JATS1:p>This is the first book to provide an invaluable resource for the education of the next generation of performers in this exciting medium. Over the last 10 years, a revolution has occurred in digital production – video games have overtaken the film and TV industries in terms of production and revenues. Many video games derive their digital animation from human performance by means of motion and performance capture. Actors such as Andy Serkis and Troy Baker have won critical acclaim for their digital performance in games and film.</JATS1:p> <JATS1:p>The book includes contributions from practitioners working across the globe, including: actor Kezia Burrows; software developer Stéphane Dalbera; director Kate Saxon; a group of Japanese games directors; Jeremy Meunier, Head of Motion Capture at Moov studios, Montreal; Marc Morisseau, motion editor for Avatar; and a Chinese Motion Capture suit manufacturer.</JATS1:p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».