Skip navigation
Please use this identifier to cite or link to this item: https://repository.esi-sba.dz/jspui/handle/123456789/580
Full metadata record
DC FieldValueLanguage
dc.contributor.authorBENAISSA, ABir-
dc.date.accessioned2023-10-22T07:33:15Z-
dc.date.available2023-10-22T07:33:15Z-
dc.date.issued2023-
dc.identifier.urihttps://repository.esi-sba.dz/jspui/handle/123456789/580-
dc.descriptionEncadré par : M. Chaib souleyman / M. Devanne Maximeen_US
dc.description.abstractAbstract : Deep learning, a technology that enables computers to replicate human-like tasks, faces evolving challenges as its applications advance, including issues like data scarcity and the need for customization in specific contexts. Consequently, the emergence of data generation solutions has become paramount across diverse domains, such as text creation (exemplified by ChatGPT) and the generation of synthetic images. Nonetheless, a primary focus within this landscape revolves around motion generation, especially concerning human motion, and delving into its wide-ranging applications and significance. Human motion generation entails the creation of realistic sequences of movements and poses, mirroring natural human actions, using computational methods often rooted in machine learning and artificial intelligence. These techniques are harnessed to produce motion patterns that closely resemble the way real humans walk, run, dance, or engage in various activities. The scope of this master’s thesis is dedicated to the exploration of deep learning architectures applied to human motion generation, primarily utilizing skeleton datasets for analysis and experimentation. *** Résumé : L’apprentissage profond, une technologie qui permet aux ordinateurs de reproduire des tâches semblables à celles des humains, est confronté à une évolution. relever des défis à mesure que ses applications progressent, notamment des problèmes tels que la rareté des données et la nécessité de personnalisation dans des contextes spécifiques. Par conséquent, l’émergence de solutions de génération de données a devenir primordial dans divers domaines, tels que la création de texte (illustré par ChatGPT) et la génération d’images de synthèse. Néanmoins, l’un des principaux objectifs de ce paysage tourne autour autour de la génération de mouvement, en particulier concernant le mouvement humain, et en approfondissant sa vaste gamme applications et importance. La génération de mouvements humains implique la création de séquences réalistes de mouvements et de poses, reflétant les actions humaines naturelles, en utilisant souvent des méthodes informatiques ancré dans l’apprentissage automatique et l’intelligence artificielle. Ces techniques sont exploitées pour produire des modèles de mouvement qui ressemblent beaucoup à la façon dont les vrais humains marchent, courent, dansent ou s’engagent dans diverses activités. activités. La portée de ce mémoire de maîtrise est dédiée à l’exploration de l’architecture du deep learning. tectures appliquées à la génération de mouvements humains, utilisant principalement des ensembles de données squelettes pour l’analyse et expérimentation.en_US
dc.language.isoenen_US
dc.subjectDeep Learningen_US
dc.subjectHuman Motion Generationen_US
dc.subjectMachine Learningen_US
dc.titleArchitectures de Deep Learning pour générer mouvement humain basé sur le squeletteen_US
dc.typeThesisen_US
Appears in Collections:Master

Files in This Item:
File Description SizeFormat 
Rapport_master-1-1.pdf64,77 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.