• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.100.2021.tde-26112021-123041
Document
Auteur
Nom complet
Fabio Neves Rocha
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Paulo, 2021
Directeur
Jury
Delgado, Karina Valdivia (Président)
Gois, João Paulo
Lauretto, Marcelo de Souza
Titre en portugais
Geração de transições curtas de animações humanas 3D
Mots-clés en portugais
Animação Humana
Aprendizado de Máquina
Aprendizado Profundo
Geração de Transição
In-Betweening
LSTM Redes Neurais
Redes Neurais Recorrentes
Resumé en portugais
A criação de animações humanas computacionais sem utilização de sensores de captura de movimento motion capture é uma tarefa manualmente laboriosa, embora existam diversas publicações utilizando métodos baseados em dados para a síntese de animações, poucos são dedicados diretamente à tarefa de inbetweening, a qual consiste de produzir movimentos de transição entre frames. O presente trabalho possui foco em transições curtas e tipos diferentes de movimentos, tais como artes marciais e dança indiana, utilizando o mínimo de frames de entrada possível. Nos estudos realizados é considerado apenas os dois frames iniciais e o frame final. A arquitetura Recurrent Transition Network (RTN) foi adaptada para operar com transições curtas, denominada ARTN. Adicionalmente foi proposto um método de pós-processamento simples combinando a arquitetura ARTN com interpolação linear, denomina-se esta solução ARTN+. Os resultados mostram que o erro médio de ARTN+ é inferior ao erro médio dos demais métodos para os dados de artes marciais e dança indiana
Titre en anglais
Short transition generation for 3D human animation
Mots-clés en anglais
Deep Learning
Human Animation
In-Betweening
LSTM
Machine Learning
Neural Networks
Recurrent Neural Networks
Transition Generation
Resumé en anglais
Creating computer generated human animations without the use of motion capture technology is a tedious and time consuming activity. Although there are several publications regarding animation synthesis using data driven methods, not many are dedicated towards the task of inbetweening, which consists of generating transition movements between frames. In this work, we are interested on short-term transitions and different kinds of movement, such as martial arts and Indian dance using the least amount of input frames as possible. We only consider the two initial frames and the final frame. We adapt the Recurrent Transition Network (RTN) to work with short-term transitions, called ARTN, and propose a simple post processing method combining ARTN with linear interpolation, called ARTN+. The results show that the average error of ARTN+ is less than the average error of the other methods in the martial arts and Indian dance dataset
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Dissertacao.pdf (4.06 Mbytes)
Date de Publication
2022-05-16
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2022. Tous droits réservés.