“hareket tanıma” için sonuçlar
8 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Beyin Hareketleri Nasıl Tanır? Duruş Sınıflandırır, Hareket Yeniden Kurar
İnsanlar, karmaşık ve gürültülü görsel girdilerden bile hareketleri kolaylıkla tanıyabilir. Peki beyin bunu nasıl başarıyor? Yeni bir araştırma, günlük aktivitelerin sınıflandırılmasında hangi görsel bilginin belirleyici olduğunu sistematik biçimde inceledi. Araştırmacılar, MoVi veri setinden alınan 16 farklı günlük aktivite videosunu üç farklı hareket analizi stratejisiyle karşılaştırdı. Sonuçlar oldukça çarpıcı: Bir hareketi tanımlamak için en kritik bilgi, bedenin genel duruşu yani ortalama uzamsal konfigürasyonuydu. Hareketin dinamikleri ise aktiviteyi zihinsel olarak yeniden inşa etmek için daha belirleyici bir rol üstleniyordu. Bu bulgu, insan görsel sisteminin hareket algısında duruş ve dinamikleri birbirinden bağımsız ancak tamamlayıcı biçimde işlediğine işaret ediyor. Çalışma, nörobilim ve yapay zeka alanlarının kesişiminde önemli bir katkı sunarak hem beyin modellerine hem de hareket tanıma algoritmalarına yeni bir perspektif kazandırıyor.
Yapay sinir ağları geçmişi hatırlayarak geleceği tahmin etmeyi öğreniyor
Bilim insanları, biyolojik beyin hücrelerinin çalışma prensiplerini taklit eden yeni bir yapay sinir ağı geliştirdi. PCL+ adlı bu sistem, geçmiş bilgileri kısa süreli hafızasında saklayarak gelecekte ne olacağını tahmin edebiliyor. İnsan beyninin görsel korteksinde gerçekleşen öğrenme süreçlerini taklit eden bu teknoloji, eksik görüntü parçalarını tamamlayabilme ve hareket tanıma gibi karmaşık görevlerde başarılı sonuçlar verdi. Araştırmacılar, sinir hücrelerinin birbirleriyle olan bağlantılarında gecikme sürelerini öğrenerek, yakın geçmişteki bilgileri muhafaza etme becerisini geliştirmeyi başardı. Bu çalışma, yapay zekanın daha biyolojik prensiplerle çalışan sistemler geliştirilmesi yönünde önemli bir adım olarak değerlendiriliyor.
Evrensel İskelet Tabanlı Hareket Tanıma: Robot-İnsan Etkileşiminde Yeni Dönem
Robotik teknolojisindeki gelişmeler, insan-robot etkileşimini daha etkili hale getirmek için yeni yaklaşımlar gerektiriyor. Araştırmacılar, farklı kaynaklardan gelen iskelet verilerinin heterojen yapısını göz önünde bulundurarak, hem insanların hem de humanoid robotların hareketlerini anlayabilen evrensel bir sistem geliştirdi. Bu çalışma, açık kelime dağarcığıyla hareket tanıma problemini ele alarak, çok büyük ölçekli Heterojen Açık-Kelime Dağarcığı iskelet veri setini oluşturdu. Transformer tabanlı model ile gerçek dünya uygulamalarında daha esnek ve kapsamlı hareket tanıma sistemleri mümkün hale geliyor. Bu gelişme, robotların insan hareketlerini daha iyi anlamasını ve daha doğal etkileşimler kurmasını sağlayacak.
Yapay Zeka Artık Hiç Görmediği Hareketleri de Tanıyabiliyor
Araştırmacılar, yapay zekanın daha önce hiç öğrenmediği video hareketlerini tanıyabilmesi için yenilikçi bir yöntem geliştirdi. CLIP modelini geliştiren bu sistem, hareket duyarlı ve statik görsel özellikleri birbirinden ayırarak, pozitif ve negatif metin ipuçlarıyla semantik hizalama yapıyor. Motion Separation Module ile hareketleri analiz eden sistem, gated cross-attention mekanizmasıyla gereksiz bilgileri filtreleyerek hareket temsilini iyileştiriyor. Standart benchmark testlerinde önceki CLIP tabanlı yaklaşımlardan daha başarılı sonuçlar elde eden bu yöntem, hem genel hem de detaylı hareket kategorilerinde güçlü sıfır-atışlı tanıma performansı sergiliyor. Bu gelişme, güvenlik kameralarından spor analizine kadar birçok alanda kullanılabilecek.
Yapay zeka artık metin talimatıyla insan hareketini anlayıp üretebiliyor
Araştırmacılar, insan hareketlerini anlama ve üretme süreçlerini birleştiren yenilikçi bir yapay zeka sistemi geliştirdi. CoAMD adlı bu sistem, yazılı açıklamaları iskelet koordinatlarına dönüştürerek gerçekçi insan hareketleri oluşturabiliyor. Sistemin kalbi olan çok modlu hareket tanıyıcısı (MAR), metin ve hareket arasında köprü kurarak her iki süreci de optimize ediyor. Bu çalışma, bilgisayarlı görü alanında hareket tanıma ve hareket üretiminin ayrı ayrı çalışıldığı geleneksel yaklaşımdan farklı olarak, bu iki alanı birleştirerek daha etkili sonuçlar elde etmeyi hedefliyor. Araştırma, animasyon endüstrisi, robotik ve sanal gerçeklik uygulamaları için önemli potansiyel taşıyor.
İnsan Hareketlerini Daha Doğal Tanıyan Yapay Zeka Algoritması Geliştirildi
Araştırmacılar, insan hareketlerini tanıyan yapay zeka sistemlerinde önemli bir sorunu çözdü. Mevcut sistemler, hareketleri keskin sınırlarla ayırarak doğal akışı göz ardı ediyor. Yeni TranCLR algoritması, hareketler arasındaki geçişleri modelleyerek daha yumuşak ve gerçekçi bir tanıma sistemi oluşturuyor. Bu teknoloji, spor analizi, sağlık takibi ve güvenlik sistemleri gibi alanlarda kullanılabilir. Algoritma, geleneksel ikili karşılaştırma yerine, hareketlerin sürekli doğasını dikkate alan yenilikçi bir yaklaşım benimsiyor.
Yapay Zeka Hareket Tanıma Sistemlerinde Ten Rengi Önyargısı Tespit Edildi
Araştırmacılar, insan hareketlerini tanıyan yapay zeka sistemlerinin ten rengine dayalı önyargılar içerdiğini ortaya çıkardı. Kritik alanlarda kullanılan bu sistemlerin adil olmayan sonuçlar üretebildiği belirlendi. Çalışmada, aynı hareket yapan farklı ten rengindeki karakterlerin yer aldığı sentetik videolar kullanılarak, sadece görsel kimlik özelliklerinin model tahminlerini nasıl etkilediği test edildi. Sonuçlar, bazı popüler hareket tanıma modellerinin ten rengine göre istatistiksel olarak anlamlı önyargılar sergilediğini gösterdi. Bu keşif, yapay zekanın insan görünümüne dayalı ayrımcılık yapabileceği endişelerini destekliyor ve güvenlik, sağlık gibi hassas alanlarda kullanılan bu teknolojilerin yeniden değerlendirilmesi gerektiğine işaret ediyor.
Video-STAR: Yapay Zeka Artık Hareketleri İnsan Gibi Anlıyor
Araştırmacılar, yapay zekanın video içindeki hareketleri daha iyi anlaması için yeni bir sistem geliştirdi. Video-STAR adlı bu teknoloji, karmaşık hareketleri küçük parçalara bölerek analiz ediyor ve farklı araçları kullanarak daha doğru sonuçlar elde ediyor. Geleneksel yöntemlerin aksine, bu sistem hareketleri tek bir bütün olarak görmek yerine, her hareketin alt bileşenlerini ayrı ayrı inceliyor. Bu yaklaşım, özellikle birbirine benzer hareketleri ayırt etmede büyük avantaj sağlıyor. Sistem ayrıca farklı modaliteler arası yanılsamaları azaltarak daha güvenilir sonuçlar üretiyor. Bu gelişme, video analizi ve hareket tanıma alanında önemli bir ilerleme temsil ediyor.