Deep Representation Learning of 3D Human Motion with Recurrent Neural Networks
Notice bibliographique
Résumé
génération automatisée plus intéressante, mais aussi beaucoup plus difficiles pour un système d'apprentissage machine.Des techniques d'équilibrage de données ou de sélection intelligente des exemples d'entraînement deviennent ici très pertinentes, et établissent des directions à explorer dans des travaux futurs.Finalement, la nature continue et boîte-noire des réseaux de neurones peuvent limiter leur application à des domaines pratiques ou du moins requérir des traitements additionnels.Par exemple, l'un des artefacts communs et facilement reconnu par des humains dans une animation générée est le patinage des pieds en contacts avec le sol (foot-slides ou foot-skate).Par contre, avec une animation générée par un réseau de neurones, aucun moyen connu permet d'éliminer ce problème sans post-traitement de cinématiques inverses.Un réseau performant saura générer des vélocités de pieds très basses, mais jamais nulles.La nature boîte-noire des réseaux de neurones joue aussi un rôle dans la difficulté à contrôler ce qui est généré, ce qui peut rendre leur adoption par des artistes ou des animateurs beaucoup plus difficile.Effectivement, malgré la possibilité que nous offrons aux utilisateurs dans le Chapitre 5 d'échantillonner plusieurs transitions pour un même contexte, fournir des contrôles plus fins quant au style d'animation serait un avantage considérable.Ceci est en soit une direction de recherche active et intéressante.xiv
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».