تعلم مولدات أفعال بشرية متعددة وعشوائية من خلال تعلم الانتقالات الكامنة الناعمة

توليد الحركة البشرية هو مهمة صعبة قائمة منذ فترة طويلة بسبب الحاجة إلى نمذجة الأنماط الديناميكية المعقدة والمتنوعة بدقة. تستخدم معظم الطرق الموجودة نماذج متسلسلة مثل الشبكات العصبية المتكررة (RNN) لنمذجة الانتقالات مباشرة في الفضاء الأصلي للأفعال. ومع ذلك، فإن نمذجة هذه الانتقالات تكون خاصةً صعبةً بسبب البعد العالي والضوضاء المحتملة. في هذا البحث، نركز على توليد الأفعال المستندة إلى الهيكل العظمي ونقترح نمذجة انتقالات سلسة ومتنوعة في فضاء كامن للأفعال المتسلسلة ذو بُعد أدنى بكثير. بناءً على متسلسلة كامنة، يتم توليد الأفعال بواسطة مفكك إطاري مشترك لكل الأوضاع الكامنة للأفعال. تحديدًا، يتم تعريف RNN ضمني لنمذجة متسلسلات كامنة سلسة، حيث يتم التحكم في عشوائيتها (أو تنوعها) من خلال الضوضاء من المدخل. يختلف نموذجنا عن طرق التنبؤ بالأفعال التقليدية، حيث يمكنه توليد متسلسلات أفعال من ضوضاء نقية دون أي أوضاع فعل شرطية. وبشكل ملحوظ، يمكنه أيضًا توليد أفعال غير مرئية من فئات مختلطة أثناء التدريب. يتم تعلم نموذجنا باستخدام إطار شبكة مولد-معادٍ ثنائي الاتجاه (bi-directional generative-adversarial-net framework)، والذي ليس فقط قادرًا على توليد متسلسلات أفعال متنوعة لفئة معينة أو فئات مختلطة، بل يتعلم أيضًا تصنيف متسلسلات الأفعال ضمن نفس النموذج. تظهر النتائج التجريبية تفوق طريقتنا في كل من توليد متسلسلات الأفعال المتنوعة وتصنيفها مقارنة بالطرق الموجودة.请注意，为了保持专业性和准确性，我在翻译中保留了某些专有名词的英文形式，如“RNN”、“bi-directional generative-adversarial-net framework”。这些术语在阿拉伯语科技文献中通常也会以英文形式出现。如果您希望对这些术语进行本地化，请告知我具体的翻译要求。