| dc.contributor.advisor | Šivic, Josef | |
| dc.creator | Waltl, Jan | |
| dc.date.accessioned | 2022-10-04T17:32:38Z | |
| dc.date.available | 2022-10-04T17:32:38Z | |
| dc.date.issued | 2022 | |
| dc.identifier.uri | http://hdl.handle.net/20.500.11956/175750 | |
| dc.description.abstract | V této práci jsme představili novou metodu pro syntézu 3D animace pohybu člověka podmíněné na pevné množině akcí definující pohyb, například "běhání" nebo "předklon". Inspirování úspěchy metod pro generování obrázků z textu na základě diskrétních latentních reprezentacích, jsme úspěšně vyzkoušeli použití těchto metod v kontextu generování pohybu, což je v kontrastu s dosavadními příst upy využívající spojité latentní proměnné. Ve srovnání s dosavadní nejlepší metodou ACTOR, naše metoda není limitována délkou generovaných sekvencí a dokáže plynule navázat na vstupní startovní sekvenci. Autoregressivní generování je omezeno délkou kon textu, což zajišťuje rozumnou rychlost generování. Dále, díky učení ve dvou fázích, budoucí modely se mohou snadno pře dučit na větších datasetech bez označení kategorií a dotrénovat se na konkrétním úkolu. Naši metodu jsme vyhodnotili na UESTC dataset, v metriká ch překování dosavadní metodu ACTOR a generuje animace srovnatelné s datasetem. | en_US |
| dc.description.abstract | V této práci jsme představili novou metodu pro syntézu 3D animace pohybu člověka podmíněné na pevné množině akcí definující pohyb, například "běhání" nebo "předklon". Inspirování úspěchy metod pro generování obrázků z textu na základě diskrétních latentních reprezentacích, jsme úspěšně vyzkoušeli použití těchto metod v kontextu generování pohybu, což je v kontrastu s dosavadními příst upy využívající spojité latentní proměnné. Ve srovnání s dosavadní nejlepší metodou ACTOR, naše metoda není limitována délkou generovaných sekvencí a dokáže plynule navázat na vstupní startovní sekvenci. Autoregressivní generování je omezeno délkou kon textu, což zajišťuje rozumnou rychlost generování. Dále, díky učení ve dvou fázích, budoucí modely se mohou snadno pře dučit na větších datasetech bez označení kategorií a dotrénovat se na konkrétním úkolu. Naši metodu jsme vyhodnotili na UESTC dataset, v metriká ch překování dosavadní metodu ACTOR a generuje animace srovnatelné s datasetem. | cs_CZ |
| dc.language | English | cs_CZ |
| dc.language.iso | en_US | |
| dc.publisher | Univerzita Karlova, Matematicko-fyzikální fakulta | cs_CZ |
| dc.subject | motion synthesis|deep learning|discrete representation|autoregressive generation | en_US |
| dc.subject | syntéza pohybu|hluboké učení|diskrétní reprezentace|autoregresivní generování | cs_CZ |
| dc.title | Autoregressive action-conditioned 3D human motion synthesis using latent discrete codes | en_US |
| dc.type | diplomová práce | cs_CZ |
| dcterms.created | 2022 | |
| dcterms.dateAccepted | 2022-09-07 | |
| dc.description.department | Department of Software and Computer Science Education | en_US |
| dc.description.department | Katedra softwaru a výuky informatiky | cs_CZ |
| dc.description.faculty | Matematicko-fyzikální fakulta | cs_CZ |
| dc.description.faculty | Faculty of Mathematics and Physics | en_US |
| dc.identifier.repId | 247608 | |
| dc.title.translated | Autoregresivní syntéza lidského 3D pohybu pomocí latentních diskrétních kódů | cs_CZ |
| dc.contributor.referee | Mirbauer, Martin | |
| thesis.degree.name | Mgr. | |
| thesis.degree.level | navazující magisterské | cs_CZ |
| thesis.degree.discipline | Artificial Intelligence | en_US |
| thesis.degree.discipline | Umělá inteligence | cs_CZ |
| thesis.degree.program | Computer Science | en_US |
| thesis.degree.program | Informatika | cs_CZ |
| uk.thesis.type | diplomová práce | cs_CZ |
| uk.taxonomy.organization-cs | Matematicko-fyzikální fakulta::Katedra softwaru a výuky informatiky | cs_CZ |
| uk.taxonomy.organization-en | Faculty of Mathematics and Physics::Department of Software and Computer Science Education | en_US |
| uk.faculty-name.cs | Matematicko-fyzikální fakulta | cs_CZ |
| uk.faculty-name.en | Faculty of Mathematics and Physics | en_US |
| uk.faculty-abbr.cs | MFF | cs_CZ |
| uk.degree-discipline.cs | Umělá inteligence | cs_CZ |
| uk.degree-discipline.en | Artificial Intelligence | en_US |
| uk.degree-program.cs | Informatika | cs_CZ |
| uk.degree-program.en | Computer Science | en_US |
| thesis.grade.cs | Výborně | cs_CZ |
| thesis.grade.en | Excellent | en_US |
| uk.abstract.cs | V této práci jsme představili novou metodu pro syntézu 3D animace pohybu člověka podmíněné na pevné množině akcí definující pohyb, například "běhání" nebo "předklon". Inspirování úspěchy metod pro generování obrázků z textu na základě diskrétních latentních reprezentacích, jsme úspěšně vyzkoušeli použití těchto metod v kontextu generování pohybu, což je v kontrastu s dosavadními příst upy využívající spojité latentní proměnné. Ve srovnání s dosavadní nejlepší metodou ACTOR, naše metoda není limitována délkou generovaných sekvencí a dokáže plynule navázat na vstupní startovní sekvenci. Autoregressivní generování je omezeno délkou kon textu, což zajišťuje rozumnou rychlost generování. Dále, díky učení ve dvou fázích, budoucí modely se mohou snadno pře dučit na větších datasetech bez označení kategorií a dotrénovat se na konkrétním úkolu. Naši metodu jsme vyhodnotili na UESTC dataset, v metriká ch překování dosavadní metodu ACTOR a generuje animace srovnatelné s datasetem. | cs_CZ |
| uk.abstract.en | V této práci jsme představili novou metodu pro syntézu 3D animace pohybu člověka podmíněné na pevné množině akcí definující pohyb, například "běhání" nebo "předklon". Inspirování úspěchy metod pro generování obrázků z textu na základě diskrétních latentních reprezentacích, jsme úspěšně vyzkoušeli použití těchto metod v kontextu generování pohybu, což je v kontrastu s dosavadními příst upy využívající spojité latentní proměnné. Ve srovnání s dosavadní nejlepší metodou ACTOR, naše metoda není limitována délkou generovaných sekvencí a dokáže plynule navázat na vstupní startovní sekvenci. Autoregressivní generování je omezeno délkou kon textu, což zajišťuje rozumnou rychlost generování. Dále, díky učení ve dvou fázích, budoucí modely se mohou snadno pře dučit na větších datasetech bez označení kategorií a dotrénovat se na konkrétním úkolu. Naši metodu jsme vyhodnotili na UESTC dataset, v metriká ch překování dosavadní metodu ACTOR a generuje animace srovnatelné s datasetem. | en_US |
| uk.file-availability | V | |
| uk.grantor | Univerzita Karlova, Matematicko-fyzikální fakulta, Katedra softwaru a výuky informatiky | cs_CZ |
| thesis.grade.code | 1 | |
| uk.publication-place | Praha | cs_CZ |
| uk.thesis.defenceStatus | O | |
