7.2.3. Yapay Zeka İle Animasyon Buluşması: Hareketin Yeni Dönemi

7.2.3. Yapay Zeka İle Animasyon Buluşması: Hareketin Yeni Dönemi

DOI
PDF

Yazar: Yeliz CANTÜRK & Armağan GÖKÇEARSLAN

Yıl: 2024 Cilt: 7 Sayı: 2 Sayfa: 26-44

Özet: Animasyonun gelişimi, hem sanatsal üslupta hem de teknolojik açıdan büyük değişimlere tanıklık etmiştir. Ancak tüm bu dönüşümler içinde, animasyonda hareketi yakalama isteği hep ön planda olmuştur. Hareket,
animasyonun temel taşıdır ve bu doğal akışı en iyi şekilde yansıtma çabası, animasyonun tarihinde uzun bir yolculuğun başlangıcıdır.

İlk yıllarda Rotoskop makinesi gibi buluşlarla başlayan bu çaba, 1980’lerde bilgisayar teknolojisinin keşfiyle yeni bir boyut kazandı. Daha sonra, hareket yakalama sistemleri gibi teknikler geliştirildi ve günümüzde yapay zekanın
etkisi animasyon dünyasında giderek hissedilmeye başlandı. Ancak teknolojiye dayalı bu dönüşümün beraberinde getirdiği zorluklar da göz ardı edilemez. Yapay zeka ile hareket yakalama, karmaşık algoritmalar ve büyük veri setleri
gerektirmektedir, bu da animasyon dünyasındaki uzmanların yeni becerilere ihtiyaç duymasına neden olmaktadır. Bununla birlikte, bu teknolojik ilerlemeler animasyon ve oyun sektörünü yeni ve heyecan verici fırsatlarla doldurmaktadır.
Bu makalede, özellikle yapay zeka ile hareket yakalama yöntemine odaklanılmış, bu yenilikçi yaklaşımın animasyon ve oyun sektöründe nasıl kullanıldığı incelenmiştir.

Anahtar Kelimeler: Animasyon, Oyun, Hareket Yakalama, Yapay Zeka

Kaynakça

  • Arlotti, J., Carroll, W., Afifi, Y., Talegaonkar, P., Albuquerque, L., Burch V, R., Ball, J., Chander, H., & Petway,
  • A. (2022). Benefits of IMU-based Wearables in Sports Medicine: Narrative Review. International Journal of Kinesiology and Sports Science, 10(1), 36-43. doi:10.7575/aiac.ijkss.v.10n.1p.36
  • Abiodun, O. I., Jantan, A., Omolara, A. E., Dada, K. V., Mohamed, N. A., & Arshad, H. (2018). State-of-the-art in artificial neural network applications: A survey. Heliyon, 4(11), e00938. https://doi.org/10.1016/
    j.heliyon.2018.e00938.
  • Bratt, B. (2011). ROTOPAINTING Techniques and tools for the Aspiring Artist. Focal Press. Published by Elsevier.
  • Chatzitofis, A., Zarpalas, D., Daras, P., & Kollias, S. (2021). DeMoCap: Low-Cost Marker-Based Motion Capture. International Journal of Computer Vision, 129(12), 3338–3366. https://doi.org/10.1007/s11263-021-01526-z
  • Cronin, N. J. (2021). Using deep neural networks for kinematic analysis: Challenges and opportunities. Journal of Biomechanics, 123, 110460. https://doi.org/10.1016/j.jbiomech.2021.110460.
  • Dubey, S., & Dixit, M. (2022). A comprehensive survey on human pose estimation approaches. Multimedia Systems, 29(1), 167–195. https://doi.org/10.1007/s00530-022-00980-0.
  • Esposito, F., & Malerba, D. (2001). Machine learning in computer vision. Applied Artificial Intelligence, 15(8), 693-705.
  • Gamra, M., & Akhloufi, M. A. (2021). A review of deep learning techniques for 2D and 3D human pose estimation. Image and Vision Computing, 114, 104282. https://doi.org/10.1016/j.imavis.2021.104282.
  • Hassaballah, M., & Awad, A. I. (Eds.). (2020). Deep Learning in Computer Vision: Principles and Applications (1st ed.). CRC Press. ISBN: 9781032242859.
  • Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electron Markets, 31, 685–695. https://doi.org/10.1007/s12525-021-00475-2.
  • Kanko, R., Laende, E., Strutzenberger, G., Brown, M., Selbie, W. S., De Paul, V., Scott, S. H., & Deluzio, K. (2021). Assessment of spatiotemporal gait parameters using a deep learning algorithm-based markerless motion capture system. Journal of Biomechanics, 122, 110414. https://doi.org/10.1016/j.jbiomech.2021.110414.
  • Kozan, E. (2022). Sinemada Motion Capture Uygulamalarında Yazılım Şirketlerin Estetik ve Teknolojik Çözümleri. Sakarya İletişim, 2(1), 34-47. Retrieved from https://dergipark.org.tr/tr/pub/silet/issue/70124/1124293.
  • Lakshmanan, V., Görner, M., & Gillard, R. (2021). Practical Machine Learning for Computer Vision. O’Reilly Media, Inc. ISBN: 9781098102364.
  • Leroy, V., Weinzaepfel, P., Brégier, R., Combaluzier, H., & Rogez, G. (2020). SMPLy Benchmarking 3D Human Pose Estimation in the Wild. 2020 International Conference on 3D Vision (3DV), Fukuoka, Japan, pp. 301-310.
  • Padmanabha, R., Sachin, M., P. Srinivas, V. Talasila (2016). Design and Development of a Real-Time, Low-Cost IMU based Human Motion capture system.
  • Rodrigues, N., Torres, H., Oliveira, B., Borges, J., Queirós, S., Mendes, J., Fonseca, J., Coelho, V., & Brito, J. (2019). Top-Down Human Pose Estimation with Depth Images and Domain Adaptation. 281-288. https://doi.org/10.5220/0007344602810288.
  • Sarker, I. H. (2022). AI-Based Modeling: Techniques, Applications and Research Issues Towards Automation, Intelligent and Smart Systems. SN Computer Science, 3. https://doi.org/10.1007/s42979-022-01043-x.
  • Vafadar, S., Skalli, W., Bonnet-Lebrun, A., Assi, A., & Gajny, L. (2022). Assessment of a novel deep learningbased marker-less motion capture system for gait study. Gait Posture, 94, 138-143. https://doi.org/10.1016/
    j.gaitpost.2022.03.008.
  • Wade, L., Needham, L., McGuigan, P., & Bilzon, J. (2022). Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ, 10, e12995. https://doi.org/10.7717/peerj.12995.
  • Wells, P. (1998). Understanding Animation. New York; London, Routledge Taylor and Francis Group.
  • Zanfir, A., Marinoiu, E., & Sminchisescu, C. (2018). Monocular 3D Pose and Shape Estimation of Multiple People in Natural Scenes: The Importance of Multiple Scene Constraints. 2148-2157. https://doi.org/10.1109/CVPR.2018.00229.
  • Zecca, M., Saito, K., Sessa, S., Bartolomeo, L., Lin, Z., Cosentino, S., Ishii, H., Ikai, T., & Takanishi, A. (2013). Use of an ultra-miniaturized IMU-based motion capture system for objective evaluation and assessment of walking skills. Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 4883-4886. https://doi.org/10.1109/EMBC.2013.6610642.

Görsel Kaynaklar:

  • Görsel 1: https://vladh.net/game-engine-skeletal-animation Erişim Tarihi : 17.04.2023
  • Görsel 2: https://www.vfxvoice.com/what-mocap-suit-suits-you/ Erişim Tarihi : 18.04.2023
  • Görsel 3: https://www.researchgate.net/figure/MU-sensors-orange-used-to-track-arm-movements-Sensorsplaced-on-the-back-of-the-hands_fig1_337364964 Erişim: 18.04.2023
  • Görsel 4: https://captury.com/ Erişim: 19.04.2023
  • Görsel 5: https://www.vfxvoice.com/what-mocap-suit-suits-you/ Erişim: 19.04.2023
  • Görsel 6: https://www.veribilimiokulu.com/wp-content/uploads/2020/04/unnamed.jpg Erişim: 03.10.2023
  • Görsel 7: https://opencv.org/blog/2020/10/27/multiple-object-tracking-in-realtime/ Erişim : 01.10.2023
  • Görsel 9: https://editor.analyticsvidhya.com/uploads/65603fig.png Erişim : 18.10.2023
  • Görsel 10: https://developer.apple.com/documentation/arkit Erişim : 03.10.2023
  • Görsel 11: https://i2.wp.com/techvidvan.com/tutorials/wp-content/uploads/sites/2/2021/09/types-of-poseestimation-model.webp?ssl=1 Erişim : 18.10.2023
  • Görsel 14: https://docs.rokoko.com/rkk-vision-documentation/get-started/quick-start-guide, Erişim : 18.10.2023
  • Görsel 15: https://www.youtube.com/watch?v=pnaKyc3mQVk Erişim : 18.10.2023
  • Görsel 16: https://www.youtube.com/watch?v=IPQ5vTqqdgE Erişim : 18.10.2023
  • https://plask.ai/ Erişim : 18.10.2023
  • https://www.deepmotion.com/ Erişim : 18.10.2023
  • https://www.move.ai/ Erişim : 18.10.2023
  • https://www.rokoko.com/ Erişim : 18.10.2023
  • https://freemocap.org/ Erişim : 18.10.2023
  • https://www.analyticsvidhya.com/blog/2022/01/a-comprehensive-guide-on-human-pose-estimation/ Erişim :18.10.2023

Share this content:

Yorumlar kapalı.