Computer Vision and Pattern Recognition,Computation and Language,Machine Learning,Sound,Audio and Speech Processing,چشم انداز رایانه و تشخیص الگوی , محاسبه و زبان , یادگیری ماشین , صدا , پردازش صوتی و گفتار ,
توضیحات
Submitted 16 September, 2024; originally announced September 2024. , Comments: arXiv admin note: substantial text overlap with arXiv:2406.15111
توضیحات به فارسی
ارائه شده 16 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد. ، نظرات: Arxiv Admin توجه: متن قابل توجهی با Arxiv همپوشانی: 2406.15111
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Co-speech gestures are fundamental for communication. The advent of recent deep learning techniques has facilitated the creation of lifelike, synchronous co-speech gestures for Embodied Conversational Agents. "In-the-wild" datasets, aggregating video content from platforms like YouTube via human pose detection technologies, provide a feasible solution by offering 2D skeletal sequences aligned with speech. Concurrent developments in lifting models enable the conversion of these 2D sequences into 3D gesture databases. However, it is important to note that the 3D poses estimated from the 2D extracted poses are, in essence, approximations of the ground-truth, which remains in the 2D domain. This distinction raises questions about the impact of gesture representation dimensionality on the quality of generated motions - a topic that, to our knowledge, remains largely unexplored. Our study examines the effect of using either 2D or 3D joint coordinates as training data on the performance of speech-to-gesture deep generative models. We employ a lifting model for converting generated 2D pose sequences into 3D and assess how gestures created directly in 3D stack up against those initially generated in 2D and then converted to 3D. We perform an objective evaluation using widely used metrics in the gesture generation field as well as a user study to qualitatively evaluate the different approaches.
چکیده به فارسی (ترجمه ماشینی)
حرکات گفتار برای ارتباطات اساسی است.ظهور تکنیک های یادگیری عمیق اخیر باعث ایجاد حرکات زندگی همزمان و همزمان برای عوامل مکالمه تجسم یافته است.مجموعه داده های "درون وحشی" ، جمع آوری محتوای ویدیویی از سیستم عامل هایی مانند YouTube از طریق فن آوری های تشخیص ژست انسانی ، با ارائه توالی اسکلتی 2D تراز شده با گفتار ، یک راه حل امکان پذیر ارائه می دهد.تحولات همزمان در مدل های بلند کردن ، تبدیل این توالی 2D را به پایگاه داده های ژست سه بعدی امکان پذیر می کند.با این حال ، توجه به این نکته حائز اهمیت است که سه بعدی تخمین زده می شود از پاهای استخراج شده 2D ، در اصل ، تقریب های حقیقت زمین ، که در دامنه 2D باقی مانده است.این تمایز سؤالاتی در مورد تأثیر ابعاد بازنمایی ژست بر کیفیت حرکات تولید شده ایجاد می کند - موضوعی که به دانش ما ، تا حد زیادی ناشناخته است.مطالعه ما به بررسی تأثیر استفاده از مختصات مشترک 2D یا 3D به عنوان داده های آموزش در مورد عملکرد مدلهای تولیدی عمیق گفتار به گرائور می پردازد.ما از یک مدل بلند کردن برای تبدیل دنباله های Pose 2D تولید شده به سه بعدی استفاده می کنیم و ارزیابی می کنیم که چگونه حرکات ایجاد شده به طور مستقیم در سه بعدی در برابر آنهایی که در ابتدا در 2D تولید شده و سپس به 3D تبدیل می شوند.ما یک ارزیابی عینی را با استفاده از معیارهای گسترده در زمینه تولید ژست و همچنین یک مطالعه کاربر برای ارزیابی کیفی رویکردهای مختلف انجام می دهیم.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
