Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.creator | Ferreira, João Pedro Moreira | - |
Autor(es): dc.creator | Coutinho, Thiago Malta | - |
Autor(es): dc.creator | Gomes, Thiago Luange | - |
Autor(es): dc.creator | Silva Neto, José Francisco da | - |
Autor(es): dc.creator | Azevedo, Rafael Augusto Vieira de | - |
Autor(es): dc.creator | Martins, Renato José | - |
Autor(es): dc.creator | Nascimento, Erickson Rangel do | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:37:04Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:37:04Z | - |
Data de envio: dc.date.issued | 2022-09-15 | - |
Data de envio: dc.date.issued | 2022-09-15 | - |
Data de envio: dc.date.issued | 2020 | - |
Fonte completa do material: dc.identifier | http://www.repositorio.ufop.br/jspui/handle/123456789/15316 | - |
Fonte completa do material: dc.identifier | https://www.sciencedirect.com/science/article/pii/S0097849320301436?via%3Dihub | - |
Fonte completa do material: dc.identifier | https://doi.org/10.1016/j.cag.2020.09.009 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1019859 | - |
Descrição: dc.description | Synthesizing human motion through learning techniques is becoming an increasingly popular approach to alleviating the requirement of new data capture to produce animations. Learning to move naturally from music, i.e., to dance, is one of the more complex motions humans often perform effortlessly. Each dance movement is unique, yet such movements maintain the core characteristics of the dance style. Most approaches addressing this problem with classical convolutional and recursive neural models un- dergo training and variability issues due to the non-Euclidean geometry of the motion manifold struc- ture. In this paper, we design a novel method based on graph convolutional networks to tackle the problem of automatic dance generation from audio information. Our method uses an adversarial learn- ing scheme conditioned on the input music audios to create natural motions preserving the key move- ments of different music styles. We evaluate our method with three quantitative metrics of generative methods and a user study. The results suggest that the proposed GCN model outperforms the state-of- the-art dance generation method conditioned on music in different experiments. Moreover, our graph- convolutional approach is simpler, easier to be trained, and capable of generating more realistic mo- tion styles regarding qualitative and different quantitative metrics. It also presented a visual movement perceptual quality comparable to real motion data. The dataset and project are publicly available at: https://www.verlab.dcc.ufmg.br/motion-analysis/cag2020. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Direitos: dc.rights | restrito | - |
Palavras-chave: dc.subject | Human motion generation | - |
Palavras-chave: dc.subject | Sound and dance processing | - |
Palavras-chave: dc.subject | Multimodal learning | - |
Palavras-chave: dc.subject | Conditional adversarial nets | - |
Palavras-chave: dc.subject | Graph convolutional neural networks | - |
Título: dc.title | Learning to dance : a graph convolutional adversarial network to generate realistic dance motions from audio. | - |
Aparece nas coleções: | Repositório Institucional - UFOP |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: