CNN을 이용한 3D 스켈레톤 애니메이션 학습
3D Skeleton Animation Learning Using CNN
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
단일 이미지를 이용하여 스켈레톤 애니메이션을 추론하여 제작할 수 있는 방법을 제안한다. CNN을 이용하여 모델의 이미지를 학습하게 된다. 학습된 데이터를 이용하여 루트를 포함하여 총 13개의 조인트 각도를 추론하여 스켈레톤 애니메이션을 생성하게 한다. 우리는 미리 준비된 3D모델을 이용하여 제작된 흑백이미지를 이용하여 실험을 진행했다. 흑백이미지의 단일 채널을 이용하여 학습을 진행함으로써 보다 쉽고 빠르게 학습할 수 있도록 하였다. 단일 이미지는 전처리 과정을 거쳐 학습을 진행하게 된다. 학습을 통해 캐릭터의 조인트 관절들이 추출되며 추출된 관절을 이용하여 모델에 재 매핑하여 얼마나 유사한지 체크하게 된다. 우리는 이러한 단일 이미지의 학습만을 통해 사람의 모션을 캡처할 수 있는 방법과 가능함을 보인다. 머신러닝을 활용한 모션캡처는 고비용 저효율의 현재의 모션캡처와 애니메이션 제작의 문제점을 해결할 수 있을 것으로 기대된다. 또한 단순 이미지와 조인트간의 관계를 이용한 학습이 아닌 다양한 파생 연구로 확장될 것을 기대하고 있다.
Abstract
We propose a method to infer skeleton animation by using a single image. CNN is used to learn the image of the model. Using the learned data, a total of 13 joint angles including the root are deduced to generate a skeleton animation. We have experimented with black and white images made using a pre-prepared 3D model. By using the single channel of black and white image, learning can be done more easily and quickly. A single image is processed through preprocessing. Through learning, the joints of the character are extracted and remapped to the model using the extracted joints to check how similar they are. We show that it is possible and possible to capture human motion only through learning of this single image. Motion capture using machine learning is expected to solve the problems of high cost, low efficiency, current motion capture and animation production. In addition, it is expected that it will be extended to various derivative studies rather than learning using the relationship between simple images and joints.
참고문헌 (10)
- V. Mnih, "Playing Atari With Deep Reinforcement Learning", NIPS Deep Learning Workshop (2013)
- A. Krizhevsky, "ImageNet classification with deep convolutional neural networks", NIPS Deep Learning Workshop (2012)
- X. Glorot, "Understanding the difficulty of training deep feedforward neural networks", Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, 9, pp.249~256 (2010)
- D. Kingma, "Adam: A method for stochastic optimization", International Conference for Learning Representations (2015)
- MichaelBowling, "Multiagent learning using a variable learning rate", 136, pp.147~256 (2002)
- D. Nguyen, "Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights", 1990 IJCNN International Joint Conference on Neural Networks, pp.17~21 (1990)
- Yann LeCun, "Deep learning", Nature, 521, pp.436~444 (2015)
- Léon Bottou, "Neural Networks: Tricks of the Trade", pp.421~436