Rubato LAB

약간 디테일한 부분은 본 페이지의 코드 내에 주석 참고 요망.

임베딩 → 임베딩 레이어가 아니라 linear layer를 추가해서

PositionalEncoding Class 추가

모든 트랜스포머 인코더에서 마스킹 제거.

트랜스포머 인코더 구현

뒤쪽 트랜스포머 인코더 수정사항.

Transformer 전체 구조

ACM transactions on graphics (TOG), 2015 https://files.is.tue.mpg.de/black/papers/SMPL2015.pdf

Introduction

2D 이미지를 3D 이미지로 변환할 때 문제점

방법

SMPL이란?

SMPL은 다음과 같은 Blending 기법들을 사용함

Related work

Blend Skinning

Auto-rigging

Blend Shape

Learning Pose Models

Learning Pose and Shape Models

Model

SMPL(Skinned Multi-Person Linear model) : Skinning$^1$ 및 Blend Shape$^2$ 를 기반으로 하여 수천 개의 3D 신체 스캔을 통해 학습된 인체의 사실적인 3D 모델$^3$

Learning a Model : Training Method

AIST++ dataset 다운로드

AIST++ Dataset - Download

60 fps 영상 약 12000개, mp4 형식

2D, 3D, 모션 등 트렉킹 데이터 제공

Seq data 정리

9개 c (카메라 데이터 포함)

총 480 시퀀스

17, 3 은 포즈 키포인트

mp4 데이터 정리

시퀀스 데이터에 포함된 각 영상 데이터들 ⇒ 매칭 필요

Data preprecessing

카메라 제외한 기준으로 음악 전처리 - 3d keypoint 데이터셋 기준으로 처리

⇒ npy 파일로 결과물 공유드리도록 하겠습니다.

전처리 음악이랑 point3D, SMPL 셋으로 묶어보도록 하겠습니다.

전처리 파일

데이터셋 길이 맞춤

Untitled

총 데이터 개수

Untitled

3D keypoints - 중선

쩜쩜쩜..

AIST Dance DB

AIST++ Dance VIDEO DB

Quick overview

냠🎂

DB Design policy

저작권

다양한 장르

다양한 각도

Naming rule

+(추가됨)기술이름표(?).xlsx

Generating Music with Expressive Timing and Dynamics

'Timing' and 'Dynamics' ⇒ Note on/off and velocity

모델 아키텍쳐보다는 음악적인 데이터를 학습하는데 중점

Overview

컨타이즈된 노트 vs 사람이 만든 노트

컨타이즈 → 같은 박자, 같은 세기라서 어색하게 느껴진다. (예제는 좀 너무함)

여기서 만드는 건 Sound가 아닌 MIDI 데이터, Audio를 바로 만드는 것이 아님

Dataset

Yamaha e-Piano Competition (~1400 performances by skilled pianists)

Representation

Abstract

VR 등에 적용이 가능한 춤동작 합성 모델을 소개

춤 동작과 비트 사이에 자연스러운 춤 동작 생성

생성된 춤 동작이 자연스럽게 변화 차이가 있어야 한다.

Seq2Seq에 Attention을 적용한 모델 사용

Cross domain에서 Seq2Seq 모델을 사용

평가에선 레퍼런스에 없는 기준으로 테스트셋 구성

춤 데이터셋은 음악과 연관된 춤 동작을 포함하고 있다.

Intro & Related work

Audio to video 분석은 cross domain sequence analysis의 특별한 경우

기본적으로 Audio와 video의 상관 관계는 크지 않다.

Music 과 Dance의 상관 관계는 큰편이다.

Music beat와 춤동작의 beat는 관련이 깊다.

춤동작 생성(Dance movement generation)에는 HMM, LSTM 등을 이용한 접근법

음성 데이터 Basic

음악에서 주로 쓰이는 데이터 형태로는 wave data와 midi data가 있습니다.

간략히 말하면,

wave data는 소리를 디지털 파형으로 저장한 데이터이고, (x축:시간, y축:진폭)

midi data는 각종 악기를 제어하는 전기 신호 데이터입니다. (x축:시간, y축:건반)

소리로 들어볼까연.

Wave Data

신호는 '시간에 따른 일정한 양의 변화량'이고, 오디오 신호의 경우 여기서 변하는 양은 '기압(진폭)'입니다.

소리를 결국 디지털 데이터로 나타내려면, 시간에 따른 기압(진폭)을 채취해야합니다.

'시간에 따라 기압 샘플을 채취한 데이터' = wave data

모두의연구소의 LAB을 대표하여 EO 촬영을 진행했습니다.

구현 코드

Input data embedding은 Linear로 처리

pos_emb 파트 수정이 필요

모델학습

Dataset ⇒ keypoints, mel 정상적으로 구현

성준님께서 수정해주신 모델로 한번 학습돌려보겠습니다.

Untitled