万维读者网 > 美国看台 > 正文  
想看霹雳还是爵士芭蕾 谷歌AI编舞师帮你选
www.creaders.net | 2021-09-23 09:02:39  量子位 | 0条评论 | 查看/发表评论
  

Transformer又又接新活了——

这次谷歌用它搞了一个会根据音乐跳舞的AI。

话不多说,先让它给大家来几段freestyle

嗯,动作还挺美观,各种风格也驾驭住了。

看着我都想跟着来一段。

你pick哪个?

而这个AI也凭借着对音乐和舞蹈之间的关联的深刻理解,打败了3个同类模型取得SOTA,登上了ICCV 2021。

另外,除了代码开源,研究团队还随之一起公开了一个含有10种类型的3D舞蹈动作数据集。

1.gif

2.gif

心动的,搞起来搞起来!

这个freestyle怎么来?

前面咱们不是说,这个AI用了Transformer吗?

3.png

但这里的Transformer不是普通的Transformer,它是一个基于完全注意力机制(Full-Attention)的跨模态Transformer,简称FACT。

为什么要搞这么复杂?

因为研究人员发现,光用单纯的Transformer并不能让AI理解音乐和舞蹈之间的相关性。

4.png

所以,这个FACT是怎么做的呢?

总的来说,FACT模型采用了独立的动作和音频transformer。

首先输入2秒钟的seed动作序列和一段音频,对其进行编码。

然后将embedding(从语义空间到向量空间的映射)连接起来,送入跨模态transformer学习两种形态的对应关系,并生成n个后续动作序列。

6.png

这些序列再被用来进行模型的自监督训练。

其中3个transformer一起学习,采用的是不用预处理和特征提取,直接把原始数据扔进去得到最终结果的端到端的学习方式。

另外就是在自回归框架中进行模型测试,将预期运动作为下一代阶段的输入。

最终,该模型可以逐帧地生成一段(long-range)舞蹈动作。

下图则展示了该模型通过同一段种子动作(嘻哈风格)、不同音乐生成了四种舞蹈作品(霹雳舞、爵士芭蕾、Krump和Middle Hip-hop)。

7.png

有没有懂行的点评一下?

而为了让AI生成的舞蹈生动且和音乐风格保持一致,这个模型设计里面有3个关键点:

1、模型内部token可以访问所有输入,因此三个transformer都使用一个完全注意力mask。这使得它比传统的因果模型更具表现力。

2、不止预测下一个,该模型还预测N个后续动作。这有助于模型关注上下文,避免在几个生成步骤后出现动作不衔接和跑偏的情况。

3、此外,在训练过程的前期还用了一个12层深的跨模态transformer模块来融合两个embedding(音频和动作)。研究人员表示,这是训练模型倾听分辨输入音乐的关键。

下面就用数据来看看真实性能。

打败3个SOTA模型

研究人员根据三个指标来评估:

1、动作质量:用FID来计算样本(也就是他们自己发布的那个数据集,后面介绍)和生成结果在特征空间之间的距离。一共用了40个模型生成的舞蹈序列,每个序列1200帧(20秒)。

FID的几何和动力学特性分别表示为FIDg和FIDk。

8.png

2、动作多样性:通过测量40套生成动作在特征空间中的平均欧氏距离(Euclidean distance)得出。

分别用几何特征空间Distg和动力学特征空间k来检验模型生成各种舞蹈动作的能力。

3、动作与音乐的相关性:没有好的已有指标,他们自己提出了一个“节拍对齐分数”来评估输入音乐(音乐节拍)和输出3D动作(运动节拍)之间的关联。

下面是FACT和三种SOTA模型(Li等人的、Dancenet、Dance Revolution)的对比结果:

可以看到,FACT在三项指标上全部KO了以上三位。

*由于Li等人的模型生成的动作不连续,所以它的平均动力学特征距离异常高,可以忽略。

看了数据,咱们再看个更直观的:

emmm,相比动作灵活的FACT,其他两位看起来都有点“不太聪明”的亚子……

10.gif

舞蹈动作数据集AIST++

最后,再来简单介绍一下他们自己打造的这个3D舞蹈动作数据集AIST++。

看名字你也发现了,这是基于现有的舞蹈数据集AIST的“加强版”,主要是在原有基础上加上了3D信息。

最终的AIST++一共包含5.2小时、1408个序列的3D舞蹈动作,跨越十种舞蹈类型,包括老派和新派的的霹雳舞、Pop、 Lock、Waack,以及Middle Hip-Hop、LA-style Hip-Hop、House、Krump、街头爵士和爵士芭蕾,每种舞蹈类型又有85%的基本动作和15%的高级动作。

(怎么感觉全是街舞啊?)

11.gif

它可以用来支持以下三种任务:多视角的人体关键点估计;人体动作预测/生成;人体动作和音乐之间的跨模态分析。

团队介绍

一作李瑞龙,UC伯克利一年级博士生,UC伯克利人工智能研究室成员,Facebook Reality Labs学生研究员。

研究方向是计算机视觉和计算机图形学的交叉领域,主要为通过2D图像信息生成和重建3D世界。

读博之前还在南加州大学视觉与图形实验室做了两年的研究助理。

本科毕业于清华大学物理学和数学专业、硕士毕业于计算机专业,曾在Google Research和字节AI Lab实习。

共同一作Yang Shan,就职于Google Research。

研究方向包括:应用机器学习、多模态感知、3D计算机视觉与物理仿真。

博士毕业于北卡罗来纳大学教堂山分校(UNC,美国8所公立常春藤大学之一)。

David A. Ross,在Google Research领导Visual Dynamics研究小组。

加拿大多伦多大学机器学习和计算机视觉专业博士毕业。

Angjoo Kanazawa,马里兰大学博士毕业,现在是UCB电气工程与计算机科学系的助理教授,在BAIR领导旗下的KAIR实验室,同时也是Google Research的研究员。

   0


当前新闻共有0条评论 分享到:
评论前需要先 登录 或者 注册
全部评论  
暂无评论 上一页 下一页  
实用资讯
24小时新闻排行榜 更多>>
1 快跑,再晚就来不及了
2 家有北京十几套房的留学生,为什么在美国遭
3 872天!史上最长最惨烈的“封城”:150万人
4 两名记者获诺贝尔和平奖 中俄反应天差地别
5 “党内王明”是他?习近平疑遭合谋算计

48小时新闻排行榜 更多>>
1 唯一被毛泽东当众亲吻的女人,美色上位贪腐
2 纽时:全球新冠开始神秘大撤退!专家也不解
3 曾庆红侄女只发了一张图,网友就急了:别跑
4 快跑,再晚就来不及了
5 重磅!深夜一份文件突然刷屏 煤炭电力要变
6 回忆三炸水门桥,美军高科技令志愿军目瞪口
7 中美会谈后释重要信号!消息人士:会议气氛
8 伪装英雄害战友家破人亡,却被写入教科书表
9 突发!25岁中国公民被捕后引渡美国 判刑38
10 被俘志愿军翻译:这是一场完全不应该发生的
热门专题
一周博客排行 更多>>
1 毛泽东承认长津湖之战惨痛失败 文庙
2 血战长津湖,到底是谁的永远噩 文庙
3 长津湖之战,美军怎么说? 席琳
4 比长津湖更震撼的砥平里之战, 蒋大公子
5 朝鲜战争脉络简史 阿妞不牛
6 电影《长津湖》重挫中国军队士 苏渝游士
7 可怜长津湖畔骨 信释
8 美帝版纪录片《长津湖战役》| 一草
9 如果猴王是弱智,那是动物庄园 蒋大公子
10 默克尔——共产党培养出来的民 阿妞不牛
一周博文回复排行榜 更多>>
1 毛泽东承认长津湖之战惨痛失败 文庙
2 朝鲜战争脉络简史 阿妞不牛
3 与“水仙花人”共处 —如何与 艺萌
4 血战长津湖,到底是谁的永远噩 文庙
5 还是相信科学的人多呀 渚清沙白
6 从右撇子的抵赖看一个典型犯罪 特有理
7 台积电会先被谁弄死,大陆还是 白草
8 冒死转发 施化
9 新冠疫苗 -- 人的主权,Soul灵 远方的孤独
10 中国人无法启蒙只能驯化 右撇子
关于本站 | 广告服务 | 联系我们 | 招聘信息 | 网站导航 | 隐私保护
Copyright (C) 1998-2021. CyberMedia Network/Creaders.NET. All Rights Reserved.