Skip to content

Latest commit

 

History

History
191 lines (135 loc) · 7.94 KB

README.md

File metadata and controls

191 lines (135 loc) · 7.94 KB

首届国际“远见杯”元智能数据挑战大赛——动作认知赛道比赛数据

🔗 赛题说明 | 比赛官网 | CENet'22

近年来，人工智能已经成功地对多种人类艺术进行建模与学习。深度学习算法已经能生成包括诗歌艺术、绘画艺术、音乐艺术、舞蹈艺术在内的多种人类艺术形式。本赛题关注音乐驱动的指挥动作生成这一任务，以音乐为输入信号，生成对应的指挥动作。

模型需要以采样率为90Hz的音乐音频梅尔频谱图作为输入，输出与之对应的指挥动作上半身13个关键点的30Hz二维坐标序列。生成的动作应自然，美观，与音乐节奏同步且语义相关。同时，要求模型适应不同的音乐节奏，并适应包括交响乐、流行音乐、摇滚音乐等不同的音乐风格。

🔔 News

2022-07-05 英文模型设计报告模板同大会会议论文模板，可在 此处 下载。

2022-07-03 测试集 与 歌曲列表 现已公开，请按照 赛题说明 中的要求，于2022年7月7日12:00前提交参赛作品。

2022-03-21 第十二届计算机工程与网络国际会议（CENet2022）暨首届国际“远见杯”元智能数据挑战大赛通知

2022-03-21 首届国际“远见杯”元智能数据挑战大赛通知

🎶 ConductorMotion100 数据集

You can also access the dataset via Google Drive

ConductorMotion100 数据集包含训练集、验证集与测试集，时长分别为90/5/5小时。将压缩文件解压至 <Your Dataset Dir> 后，得到的文件结构将会是：

tree <Your Dataset Dir>
<Your Dataset Dir>
    ├───train
    │   ├───0
    │   │       mel.npy
    │   │       motion.npy
    |  ...
    │   └───5268
    │           mel.npy
    │           motion.npy
    └───val
        ├───0
        │       mel.npy
        │       motion.npy
       ...
        └───290
                mel.npy
                motion.npy

每一个 mel.npy 和 motion.npy 文件对应着 60秒 的音频频谱图与指挥动作数据，两者的采样率分别为 90 Hz 和 30 Hz。梅尔频谱图有 128 个频段，因此 mel.shape = (5400, 128)。指挥动作数据为上半身13个关键点的2维坐标，因此 motion.shape = (1800, 13, 2)。动作关键点的具体格式如下：

我们提供加载 ConductorMotion100 数据集的代码，它位于 utils/dataset.py。你可以运行下面的命令来进行数据可视化：

python utils/dataset.py --dataset_dir <Your Dataset Dir>

这个脚本会遍历数据集中的每一个样本并进行可视化，你将会得到：

✍ 评分标准

比赛最终得分由初赛预测评测指标、报告及演示视频得分、答辩现场表现得分三部分构成，上述三部分得分占比分别为40%、30%、30%。参赛队伍提交的模型将在测试集上通过节奏密度误差、力度轮廓误差、动作标准差百分比、算法耗时这4种评价指标进行性能评测：

  • 节奏密度误差（Rhythm Density Error，RDE）：计算真实动作与生成动作每一个关键点的功率谱密度，对比得到结果中大于0.7 Hz的部分，以分析生成动作的节奏是否正确。

  • 力度轮廓误差（Strength Contour Error，SCE）：计算真实动作与生成动作的一阶差分后降采样，将不同关键点的结果相加，得到两条力度轮廓。对比力度轮廓的差异，分析生成动作的力度是否正确。

  • 动作标准差百分比（Standard Deviation Percentage，SDP）：分别计算真实指挥动作与生成动作的标准差,以之比来分析生成动作的幅值与真实动作的接近程度。

  • 模型生成单位时长的指挥动作所需的时间。

RDE、SCE、SDP 的具体定义见 评价指标定义.pdf

🚀 基线模型

本赛题提供用于数据集加载、训练、评测、可视化的 pytorch 代码。本代码实现了一个输出为常量的 plain model。 此外，我们还给出基于 CNN-LSTM 的基线模型（CNN-LSTM baseline）在验证集上的评价指标。该模型使用4个卷积层从梅尔频谱图中提取特征，输入2层LSTM生成指挥动作，使用MSE损失函数进行训练。 使用1张 NVIDIA V100 GPU，以 1e-3 为学习率，64 为 batch size 在训练集上训练 100 epoch 耗时约5小时。

Model RDE SCE SDP
plain model 1.2368 3.6436 0.00%
CNN-LSTM baseline 1.0491 2.7472 43.63%

  • 克隆代码

    git clone https://github.com/ChenDelong1999/VirtualConductor.git
cd VirtualConductor

  • 创建 Anaconda 虚拟环境

    conda create -n VirtualConductor python=3.6 -y
conda activate VirtualConductor

  • 确保 CUDA Toolkit, cudnn, pytorch 已安装

    conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch -y
# see: https://pytorch.org/get-started/locally/

  • 安装其它依赖

    conda install ffmpeg -c conda-forge -y
pip install librosa matplotlib scipy tqdm moviepy opencv-python tensorboard

  • 训练模型

    python train.py --dataset_dir <Your Dataset Dir>

    训练过程中，运行 tensorboard --logdir runs 来监控训练过程。模型的权重将保存在 runs/<Your Experiment Log Dir>/checkpoints 文件夹。

  • 可视化生成结果

    将音频文件复制到 /test/test_samples/ 文件夹，运行下面的命令

    python test_unseen.py --model 'runs/<Your Experiment Log Dir>/checkpoints/checkpoint_latest.pt'

    test_unseen.py 将会：

    1. 遍历 /test/test_samples/ 下所有的音频文件,
    2. 提取梅尔频谱图, 生成指挥动作，
    3. 将结果以 .mp4 文件的格式保存至 /test/result/

🎈 引用

请在您的出版物中引用以下文章：

@article{chen2021virtualconductor,
    author    = {Delong Chen and
                Fan Liu and
                Zewen Li and
                Feng Xu},
    title     = {VirtualConductor: Music-driven Conducting Video Generation System},
    journal   = {CoRR},
    volume    = {abs/2108.04350},
    year      = {2021},
    url       = {https://arxiv.org/abs/2108.04350},
    eprinttype = {arXiv},
    eprint    = {2108.04350}
}
@article{jcst2022self,
  author    = {Fan Liu and
               Delong Chen and
               Ruizhi Zhou and
               Sai Yang and
               Feng Xu},
  title     = {Self-Supervised Music Motion Synchronization Learning for Music-Driven
               Conducting Motion Generation},
  journal   = {Journal of Computer Science and Technology},
  volume    = {37},
  number    = {3},
  pages     = {539--558},
  year      = {2022},
  doi       = {10.1007/s11390-022-2030-z},
}
@article{li2021survey,
  title={A survey of convolutional neural networks: analysis, applications, and prospects},
  author={Li, Zewen and Liu, Fan and Yang, Wenjie and Peng, Shouheng and Zhou, Jun},
  journal={IEEE Transactions on Neural Networks and Learning Systems},
  year={2021},
  publisher={IEEE}
}