JP7474447B2 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents
情報処理装置、情報処理方法及び情報処理プログラム Download PDFInfo
- Publication number
- JP7474447B2 JP7474447B2 JP2022097228A JP2022097228A JP7474447B2 JP 7474447 B2 JP7474447 B2 JP 7474447B2 JP 2022097228 A JP2022097228 A JP 2022097228A JP 2022097228 A JP2022097228 A JP 2022097228A JP 7474447 B2 JP7474447 B2 JP 7474447B2
- Authority
- JP
- Japan
- Prior art keywords
- feature information
- series data
- machine learning
- learning model
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 175
- 238000003672 processing method Methods 0.000 title claims description 13
- 238000010801 machine learning Methods 0.000 claims description 124
- 238000000034 method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 44
- 238000010586 diagram Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 17
- 230000014509 gene expression Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 210000003205 muscle Anatomy 0.000 description 7
- 210000003127 knee Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 1
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Description
〔1.情報処理の概要〕
図1は、実施形態に係る情報処理の概要について説明するための図である。図1では、実施形態に係る情報処理装置100によって、実施形態に係る情報処理などが実現されるものとする。図1では、情報処理装置100が、学習済みの機械学習モデルM1の潜在空間を用いて、ジャズダンスを踊っている利用者を撮像したダンス映像G1に基づいて、利用者が踊っているダンスのジャンルをジャズダンスからヒップホップダンスに変化させたダンス映像G2を生成する場合について説明する。
図2は、実施形態に係る情報処理システム1の構成例を示す図である。図2に示すように、実施形態に係る情報処理システム1には、生成装置20と情報処理装置100とが含まれる。生成装置20と情報処理装置100とは、各種の通信ネットワークを介して、有線または無線で互いに通信可能に接続される。なお、図2に示した情報処理システム1には、任意の数の生成装置20と、任意の数の情報処理装置100とが含まれていてもよい。
図3は、実施形態に係る生成装置20の構成例を示す図である。生成装置20は、通信部21と、記憶部22と、制御部23とを有する。
通信部21は、NIC(Network Interface Card)やアンテナ等によって実現される。通信部21は、各種ネットワークと有線または無線で接続され、例えば、情報処理装置100との間で情報の送受信を行う。
記憶部22は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。具体的には、記憶部22は、各種プログラム(情報処理プログラムの一例)を記憶する。また、記憶部22は、モデル生成部232によって生成された機械学習モデルM1に関する情報を記憶する。
制御部23は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、生成装置20内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部23は、コントローラであり、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。
取得部231は、モデル生成部232による機械学習モデルM1の学習に用いられる学習データを取得する。具体的には、取得部231は、学習データとして、あらかじめ人手によってダンス映像の属性を示す属性情報とダンス映像とが紐づけられた情報を取得してよい。属性情報は、例えば、ダンス映像に含まれる人物(以下、対象者ともいう)が踊るダンスの種類であってよい。より具体的には、取得部231は、学習データとして、ダンス映像に含まれるダンスの種類を示すラベル(例えば、ジャズダンス、バレエダンス、ヒップホップダンス等のダンスのジャンルを示すラベル)とダンス映像との組み合わせからなるデータセットを取得してよい。例えば、取得部231は、学習データを作成した作成者によって使用される端末装置から学習データを取得してよい。
モデル生成部232は、取得部231によって取得された各関節の関節角度の変化量の時系列データ(以下、時系列データともいう)に基づいて時系列データの特徴を示す特徴情報を生成するエンコーダと、特徴情報に基づいて時系列データを生成するデコーダと、を含む機械学習モデルM1を生成する。具体的には、機械学習モデルM1は、VAEにRNNを適用した機械学習モデルであるVRAEであってよい。
配信部233は、モデル生成部232によって生成された機械学習モデルM1に関する情報を各利用者の情報処理装置100に配信する。
図4は、実施形態に係る生成装置20による情報処理手順を示すフローチャートである。図4に示すように、取得部231は、姿勢推定モデルを用いて、ダンス映像に含まれる対象者の関節点の座標を推定する(ステップS11)。続いて、取得部231は、各関節点の座標に基づいて、関節角度の変化量の時系列データを生成する(ステップS12)。続いて、モデル生成部232は、機械学習モデルM1のエンコーダを用いて、時系列データから特徴情報を生成する(ステップS13)。続いて、モデル生成部232は、機械学習モデルM1のデコーダを用いて、特徴情報から時系列データを生成する(ステップS14)。続いて、モデル生成部232は、エンコーダに入力される時系列データと、デコーダから出力される時系列データとの類似度が所定の閾値を超えるように機械学習モデルM1を学習させる(ステップS15)。
図5は、実施形態に係る情報処理装置100の構成例を示す図である。情報処理装置100は、通信部110と、記憶部120と、入力部130と、出力部140と、制御部150とを有する。
通信部110は、NICやアンテナ等によって実現される。通信部110は、各種ネットワークと有線または無線で接続され、例えば、生成装置20との間で情報の送受信を行う。
記憶部120は、例えば、RAM、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。具体的には、記憶部120は、各種プログラム(情報処理プログラムの一例)を記憶する。また、記憶部120は、機械学習モデルM1に関する情報を記憶する。
入力部130は、利用者から各種操作が入力される。例えば、入力部130は、タッチパネル機能により表示面(例えば出力部140)を介して利用者からの各種操作を受け付けてもよい。また、入力部130は、情報処理装置100に設けられたボタンや、情報処理装置100に接続されたキーボードやマウスからの各種操作を受け付けてもよい。例えば、入力部130は、利用者から画面に表示された利用者の特徴情報を加工する操作を受け付けてよい。
出力部140は、例えば、液晶ディスプレイや有機EL(Electro-Luminescence)ディスプレイ等によって実現される表示画面であり、各種情報を表示するための表示装置である。出力部140は、制御部150の制御に従って、各種情報を表示する。例えば、出力部140は、提供部153の制御に従って、潜在空間にマッピングされた特徴情報の画像を表示してよい。なお、情報処理装置100にタッチパネルが採用される場合には、入力部130と出力部140とは一体化される。また、以下の説明では、出力部140を画面と記載する場合がある。
制御部150は、コントローラであり、例えば、CPUやMPU等によって、情報処理装置100内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部150は、コントローラであり、例えば、ASICやFPGA等の集積回路により実現される。
取得部151は、関節角度の変化量の時系列データに基づいて時系列データの特徴を示す特徴情報を生成するエンコーダと、特徴情報に基づいて時系列データを生成するデコーダと、を含む機械学習モデルM1を取得する。また、取得部151は、特徴情報の確率分布が正規分布に従うように学習された機械学習モデルM1を取得する。例えば、取得部151は、属性情報を含む時系列データの特徴を示す特徴情報の確率分布が正規分布に従うように学習された機械学習モデルM1を取得してよい。具体的には、取得部151は、生成装置20から学習済みの機械学習モデルM1に関する情報を取得してよい。
生成部152は、利用者からダンス映像を受け付ける。具体的には、生成部152は、利用者自身のダンス映像(以下、利用者のダンス映像ともいう)を受け付けてよい。例えば、生成部152は、入力部130を介して、利用者から利用者のダンス映像(以下、第1のダンス映像ともいう)を受け付けてよい。例えば、生成部152は、第1のダンス映像として、利用者がジャズダンスを踊っている様子を撮影した映像を受け付けてよい。
提供部153は、機械学習モデルM1の潜在空間に関する情報を利用者に対して提供する。例えば、提供部153は、学習済みの特徴情報がマッピングされた潜在空間に関する情報を表示するよう出力部140を制御してよい。図6の左側の図に示す例では、提供部153は、学習済みの特徴情報とともに、生成部152によって生成された第1の特徴情報が点P1の位置にマッピングされた様子を示す潜在空間の画像G3を表示するよう出力部140を制御してよい。
受付部154は、利用者から潜在空間に対する操作を受け付ける。具体的には、受付部154は、利用者から潜在空間における潜在変数を変化させる操作を受け付けてよい。図6の右側の図に示す例では、受付部154は、潜在空間における潜在変数を第1の特徴情報を持つ値を示す点P1の位置から第2の特徴情報を持つ値を示す点P2の位置に変化させる操作を利用者から受け付けてよい。例えば、受付部154は、入力部130を介して、提供部153によって表示された潜在空間の画像G3に対する操作を受け付けてよい。受付部154は、潜在変数をジャズダンスのクラスタに属する第1の特徴情報を持つ値を示す点P1の位置からヒップホップダンスのクラスタに属する第2の特徴情報を持つ値を示す点P2の位置に変化させる操作を利用者から受け付けてよい。また、受付部154は、利用者によって変化させられた後の潜在変数の値に対応する第2の特徴情報を受け付けてよい。
図7は、実施形態に係る情報処理装置100による情報処理手順を示すフローチャートである。図7に示すように、取得部151は、事前学習済みの機械学習モデルM1を取得する(ステップS101)。生成部152は、取得部151によって取得された機械学習モデルM1を用いて、利用者のダンス映像に対応する第1の特徴情報を潜在空間にマッピングする(ステップS102)。提供部153は、第1の特徴情報をマッピングした潜在空間の情報を利用者に対して提供する(ステップS103)。受付部154は、潜在空間における潜在変数を変化させる操作を利用者から受け付ける(ステップS104)。生成部152は、受付部154によって受け付けられた変化後の潜在変数の値に対応する第2の特徴情報に基づいて、新たなダンス映像を生成する(ステップS105)。提供部153は、生成部152によって生成された新たなダンス映像を利用者に対して提供する(ステップS106)。
上述した実施形態に係る処理は、上記実施形態以外にも種々の異なる形態にて実施されてよい。
上述した実施形態では、属性情報が、ダンス映像に含まれる人物が踊るダンスの種類である場合について説明したが、属性情報は、ダンスの種類に限られない。例えば、属性情報は、時系列データに対応するダンス映像に含まれる人物のダンスの習熟度、ダンスの特徴、または、ダンスを踊っている人物の生体情報を示す情報であってよい。例えば、属性情報は、ダンスの習熟度を示すスコアであってよい。例えば、ダンスの習熟度を示すスコアは、プロのダンサーがダンス映像に含まれるダンスの上手さを「1」~「5」までの5段階で評価し、ダンス映像に対して「1」~「5」までの数値を付与(例えば、ダンスが上手いほど大きい数値を付与)したものであってよい。また、属性情報は、ダンスの特徴を示すスコアであってよい。例えば、ダンスの特徴を示すスコアは、ダンスの習熟度を示すスコアと同様に、プロのダンサーがダンス映像に含まれるダンスの特徴(例えば、ダンスにおけるキレの有無)を数値によって評価し、ダンス映像に対して評価に相当する数値を付与したものであってよい。また、属性情報は、ダンスを踊っている人物の生体情報を示す数値であってよい。例えば、ダンス映像の撮影前(または、撮影中であってもよい)に生体センサを用いてダンスを踊る人物の生体情報(例えば、筋肉量)を取得する。そして、生体センサから取得した生体情報の数値をダンス映像に付与したものであってよい。
上述した実施形態では、利用者の身体の動きを含む運動映像がダンス映像である場合について説明したが、運動映像はダンス映像に限られない。例えば、運動映像に含まれる利用者の身体の動きは、ダンス以外にも、リハビリテーション、スポーツ(例えば、フィギュアスケートなど)、または演技における動作であってよい。
上述したように、実施形態に係る情報処理装置(実施形態では情報処理装置100)は、取得部(実施形態では取得部151)と生成部(実施形態では生成部152)を備える。取得部は、関節角度の変化に関する時系列データに基づいて時系列データの特徴を示す特徴情報を生成するエンコーダと、特徴情報に基づいて時系列データを生成するデコーダと、を含む機械学習モデルを取得する。生成部は、機械学習モデルの潜在空間を用いて、利用者の関節角度の変化に関する第1の時系列データから、利用者の関節角度の変化に関する第2の時系列データを生成する。
また、上述してきた実施形態に係る生成装置20や情報処理装置100等の情報機器は、例えば図9に示すような構成のコンピュータ1000によって実現される。以下、情報処理装置100を例に挙げて説明する。図9は、情報処理装置100の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM1300、HDD1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を備える。
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
20 生成装置
21 通信部
22 記憶部
23 制御部
231 取得部
232 モデル生成部
233 配信部
100 情報処理装置
110 通信部
120 記憶部
130 入力部
140 出力部
150 制御部
151 取得部
152 生成部
153 提供部
154 受付部
Claims (15)
- 関節角度の変化に関する時系列データに基づいて前記時系列データの特徴を示す特徴情報を生成するエンコーダと、前記特徴情報に基づいて前記時系列データを生成するデコーダと、を含む機械学習モデルであって、属性情報の種類を示すラベルデータを含むデータセットを学習データとして、前記エンコーダを用いて前記データセットを前記特徴情報に変換して、前記特徴情報を潜在空間にマッピングするように学習させた前記機械学習モデルであって、クラスタリング技術を用いて、前記潜在空間にマッピングされた前記特徴情報を前記属性情報の種類に応じたクラスタに分類するように学習させた前記機械学習モデルを取得する取得部と、
前記機械学習モデルに含まれる前記エンコーダを用いて、利用者の関節角度の変化に関する第1の時系列データを前記第1の時系列データに対応する第1の特徴情報であって、第1の属性情報に対応する第1のクラスタに分類される前記第1の特徴情報に変換して、前記第1の特徴情報を前記潜在空間にマッピングし、前記潜在空間における潜在変数を前記第1の特徴情報を持つ値から、前記第1の特徴情報とは異なる第2の特徴情報であって、第2の属性情報に対応する第2のクラスタに分類される前記第2の特徴情報を持つ値に変化させ、前記機械学習モデルに含まれる前記デコーダを用いて、前記第2の特徴情報に基づいて、前記利用者の関節角度の変化に関する第2の時系列データを生成する生成部と、
を備える情報処理装置。 - 前記取得部は、
前記特徴情報の確率分布が正規分布に従うように学習された前記機械学習モデルを取得する、
請求項1に記載の情報処理装置。 - 前記取得部は、
前記属性情報を含む前記時系列データの特徴を示す前記特徴情報の確率分布が正規分布に従うように学習された前記機械学習モデルを取得する、
請求項2に記載の情報処理装置。 - 前記機械学習モデルは、対象物を含む画像から前記対象物の姿勢を推定するよう学習された姿勢推定モデルをさらに含み、
前記生成部は、
前記姿勢推定モデルを用いて、前記利用者の身体の動きを含む第1の運動映像から前記利用者の関節点の座標を推定し、推定した関節点の座標に基づいて、前記第1の時系列データを生成する、
請求項1に記載の情報処理装置。 - 前記生成部は、
生成した前記第2の時系列データに基づいて、前記第2の時系列データに対応する前記利用者の身体の動きを含む第2の運動映像を生成する、
請求項1に記載の情報処理装置。 - 前記機械学習モデルは、対象者の関節点を含む関節画像から前記関節点に対応する前記対象者の人物画像を生成するよう学習された画像変換モデルをさらに含み、
前記生成部は、
前記画像変換モデルを用いて、前記第2の時系列データから前記第2の運動映像を生成する、
請求項5に記載の情報処理装置。 - 関節角度の変化に関する時系列データを取得する取得部と、
前記時系列データに基づいて前記時系列データの特徴を示す特徴情報を生成するエンコーダと、前記特徴情報に基づいて前記時系列データを生成するデコーダと、を含む機械学習モデルであって、属性情報の種類を示すラベルデータを含むデータセットを学習データとして、前記エンコーダを用いて前記データセットを前記特徴情報に変換して、前記特徴情報を潜在空間にマッピングするように学習させた前記機械学習モデルであって、クラスタリング技術を用いて、前記潜在空間にマッピングされた前記特徴情報を前記属性情報の種類に応じたクラスタに分類するように学習させた前記機械学習モデルを生成するモデル生成部と、
を備える情報処理装置。 - 前記モデル生成部は、
前記エンコーダに入力される前記時系列データと、前記デコーダから出力される前記時系列データとの類似度が所定の閾値を超えるように前記機械学習モデルを学習させる、
請求項7に記載の情報処理装置。 - 前記モデル生成部は、
前記特徴情報の確率分布が正規分布に従うように前記機械学習モデルを学習させる、
請求項7に記載の情報処理装置。 - 前記モデル生成部は、
前記属性情報を含む前記時系列データの特徴を示す前記特徴情報の確率分布が正規分布に従うように前記機械学習モデルを学習させる、
請求項9に記載の情報処理装置。 - 前記属性情報は、前記時系列データに対応する運動映像に含まれる対象者の身体の動きの種類、前記対象者の身体の動きの習熟度、前記対象者の身体の動きの特徴、または、前記対象者の生体情報を示す情報である、
請求項1または7に記載の情報処理装置。 - 情報処理装置が実行するプログラムにより実現される情報処理方法であって、
関節角度の変化に関する時系列データに基づいて前記時系列データの特徴を示す特徴情報を生成するエンコーダと、前記特徴情報に基づいて前記時系列データを生成するデコーダと、を含む機械学習モデルであって、属性情報の種類を示すラベルデータを含むデータセットを学習データとして、前記エンコーダを用いて前記データセットを前記特徴情報に変換して、前記特徴情報を潜在空間にマッピングするように学習させた前記機械学習モデルであって、クラスタリング技術を用いて、前記潜在空間にマッピングされた前記特徴情報を前記属性情報の種類に応じたクラスタに分類するように学習させた前記機械学習モデルを取得する取得工程と、
前記機械学習モデルに含まれる前記エンコーダを用いて、利用者の関節角度の変化に関する第1の時系列データを前記第1の時系列データに対応する第1の特徴情報であって、第1の属性情報に対応する第1のクラスタに分類される前記第1の特徴情報に変換して、前記第1の特徴情報を前記潜在空間にマッピングし、前記潜在空間における潜在変数を前記第1の特徴情報を持つ値から、前記第1の特徴情報とは異なる第2の特徴情報であって、第2の属性情報に対応する第2のクラスタに分類される前記第2の特徴情報を持つ値に変化させ、前記機械学習モデルに含まれる前記デコーダを用いて、前記第2の特徴情報に基づいて、前記利用者の関節角度の変化に関する第2の時系列データを生成する生成工程と、
を含む情報処理方法。 - 情報処理装置が実行するプログラムにより実現される情報処理方法であって、
関節角度の変化に関する時系列データを取得する取得工程と、
前記時系列データに基づいて前記時系列データの特徴を示す特徴情報を生成するエンコーダと、前記特徴情報に基づいて前記時系列データを生成するデコーダと、を含む機械学習モデルであって、属性情報の種類を示すラベルデータを含むデータセットを学習データとして、前記エンコーダを用いて前記データセットを前記特徴情報に変換して、前記特徴情報を潜在空間にマッピングするように学習させた前記機械学習モデルであって、クラスタリング技術を用いて、前記潜在空間にマッピングされた前記特徴情報を前記属性情報の種類に応じたクラスタに分類するように学習させた前記機械学習モデルを生成するモデル生成工程と、
を含む情報処理方法。 - 関節角度の変化に関する時系列データに基づいて前記時系列データの特徴を示す特徴情報を生成するエンコーダと、前記特徴情報に基づいて前記時系列データを生成するデコーダと、を含む機械学習モデルであって、属性情報の種類を示すラベルデータを含むデータセットを学習データとして、前記エンコーダを用いて前記データセットを前記特徴情報に変換して、前記特徴情報を潜在空間にマッピングするように学習させた前記機械学習モデルであって、クラスタリング技術を用いて、前記潜在空間にマッピングされた前記特徴情報を前記属性情報の種類に応じたクラスタに分類するように学習させた前記機械学習モデルを取得する取得手順と、
前記機械学習モデルに含まれる前記エンコーダを用いて、利用者の関節角度の変化に関する第1の時系列データを前記第1の時系列データに対応する第1の特徴情報であって、第1の属性情報に対応する第1のクラスタに分類される前記第1の特徴情報に変換して、前記第1の特徴情報を前記潜在空間にマッピングし、前記潜在空間における潜在変数を前記第1の特徴情報を持つ値から、前記第1の特徴情報とは異なる第2の特徴情報であって、第2の属性情報に対応する第2のクラスタに分類される前記第2の特徴情報を持つ値に変化させ、前記機械学習モデルに含まれる前記デコーダを用いて、前記第2の特徴情報に基づいて、前記利用者の関節角度の変化に関する第2の時系列データを生成する生成手順と、
をコンピュータに実行させる情報処理プログラム。 - 関節角度の変化に関する時系列データを取得する取得手順と、
前記時系列データに基づいて前記時系列データの特徴を示す特徴情報を生成するエンコーダと、前記特徴情報に基づいて前記時系列データを生成するデコーダと、を含む機械学習モデルであって、属性情報の種類を示すラベルデータを含むデータセットを学習データとして、前記エンコーダを用いて前記データセットを前記特徴情報に変換して、前記特徴情報を潜在空間にマッピングするように学習させた前記機械学習モデルであって、クラスタリング技術を用いて、前記潜在空間にマッピングされた前記特徴情報を前記属性情報の種類に応じたクラスタに分類するように学習させた前記機械学習モデルを生成するモデル生成手順と、
をコンピュータに実行させる情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022097228A JP7474447B2 (ja) | 2022-06-16 | 2022-06-16 | 情報処理装置、情報処理方法及び情報処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022097228A JP7474447B2 (ja) | 2022-06-16 | 2022-06-16 | 情報処理装置、情報処理方法及び情報処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023183624A JP2023183624A (ja) | 2023-12-28 |
JP7474447B2 true JP7474447B2 (ja) | 2024-04-25 |
Family
ID=89333570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022097228A Active JP7474447B2 (ja) | 2022-06-16 | 2022-06-16 | 情報処理装置、情報処理方法及び情報処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7474447B2 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018152004A (ja) | 2017-03-15 | 2018-09-27 | 富士ゼロックス株式会社 | 情報処理装置及びプログラム |
-
2022
- 2022-06-16 JP JP2022097228A patent/JP7474447B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018152004A (ja) | 2017-03-15 | 2018-09-27 | 富士ゼロックス株式会社 | 情報処理装置及びプログラム |
Non-Patent Citations (1)
Title |
---|
土田修平 他7名,ダンスをマスターした自身の映像を先に見ることによるダンス学習支援,情報処理学会研究報告,情報処理学会,2022年03月07日,Vol.2022-HCI-197 No.6,pp.1-8 |
Also Published As
Publication number | Publication date |
---|---|
JP2023183624A (ja) | 2023-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7198332B2 (ja) | 画像正則化及びリターゲティングシステム | |
US10417818B2 (en) | Method for providing a three dimensional body model | |
Santesteban et al. | SoftSMPL: Data‐driven Modeling of Nonlinear Soft‐tissue Dynamics for Parametric Humans | |
CN106485773B (zh) | 一种用于生成动画数据的方法和装置 | |
Neumann et al. | Capture and Statistical Modeling of Arm‐Muscle Deformations | |
US11514638B2 (en) | 3D asset generation from 2D images | |
US20220319140A1 (en) | An example-based real-time clothing synthesis method | |
Li et al. | Multimodal information fusion for automatic aesthetics evaluation of robotic dance poses | |
JP6489726B1 (ja) | 3dデータシステム及び3dデータ処理方法 | |
Li et al. | Generative adversarial networks for generation and classification of physical rehabilitation movement episodes | |
Maes et al. | Dance-the-Music: an educational platform for the modeling, recognition and audiovisual monitoring of dance steps using spatiotemporal motion templates | |
Riemer et al. | Emotion and motion: Toward emotion recognition based on standing and walking | |
US11893671B2 (en) | Image regularization and retargeting system | |
JP7474447B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Rahman et al. | Pacmo: Partner dependent human motion generation in dyadic human activity using neural operators | |
JP6868673B1 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
Oveneke et al. | Leveraging the bayesian filtering paradigm for vision-based facial affective state estimation | |
CN114638744B (zh) | 人体姿态迁移方法及装置 | |
CN114782594A (zh) | 一种动画生成方法和系统 | |
Xu et al. | Human body reshaping and its application using multiple RGB-D sensors | |
CN110047118B (zh) | 视频生成方法、装置、计算机设备及存储介质 | |
Kumar et al. | Estimation of Human Posture Using Convolutional Neural Network Using Web Architecture | |
KR20210025324A (ko) | 딥 뉴럴 네트워크를 이용한 애니메이션 생성 장치 및 애니메이션 생성 방법 | |
Dayrit et al. | Remagicmirror: Action learning using human reenactment with the mirror metaphor | |
CN116570921B (zh) | 虚拟对象的姿态控制方法、装置、计算机设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231114 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231221 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240312 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240405 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7474447 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |