Dance x Machine Learning: İlk addımlar

"Diskret rəqəmlər" rəqs performansı kontekstində yeni məlumat toplusu yaratmaq və yeni alqoritmləri araşdırmaq

2018-ci ilin fevral ayında Daito Manabe mənə "Dance x Math (ML)" mövzusunda bir e-poçt yazdı, yeni bir layihə üzərində işləmək istəyəcəyimi soruşdu. Keçmişdə rəqs kontekstində işləmişəm, o cümlədən 2010-cu ildə Lisa Parra ilə 3d tarama, 2013-cü ildə YCAM ilə Hərəkətdə Şüurlandırma Reaktoru və 2014-2015-ci illərdə Daito və Klaus Obermaier ilə Transcranial.

Mikiko və Elevenplay ilə yenidən Daito ilə işləmək imkanından çox həyəcanlandım. Daito və Mikiko, parça üçün bəzi ilkin fikirləri və ilhamı, xüsusən riyaziyyatın təkamülü ilə ortaya çıxan fikirləri bölüşdülər. Əvvəlki dövrdən bəri Alan Turingin kompüterlərin insan ətinin uzantısı kimi təəssüratlarını araşdırma və kompüter görmə kontekstində bədəni alqoritmlərlə təsnif etmək və ölçmək üçün müasir cəhdlərə qədər, cisimlərin sayılması üçün istifadə olunan üsuldan başlayaraq.

Papua Yeni Qvineyadakı Oksapmin xalqından bir orqan sayma sistemi. [Təsvir təsviri: barmaqları, bilək, qol, dirsək, çiyin, boyun, qulaq, göz, burun və s daxil olmaqla 27 nöqtədən ibarət rəqəmlərlə yuxarı bir cədvəlin eskizi]

Bu mövzular ətrafında uzun söhbətlərdən sonra hər iki kəlmənin çoxsaylı şərhlərində oynamaq üçün ayrı-ayrı adları seçdik. Qeyri-rəsmi olaraq "debug" səhnəsi və "AI rəqqasəsi" adlandırdığımız tamaşanın sonuna iki ardıcıl səhnəni yönəltdim. Bu iki səhnənin məqsədi Elevenplayın improvizasiyasına bənzər bir üslubda rəqslər yaratmaq üçün bir maşın öyrənmə sistemini öyrətmək imkanlarını araşdırmaq idi. Tokiodakı tamaşa üçün, tamaşadan əvvəl tamaşaçıların ələ keçirdiyi videolar əsasında yaradılan rəqs ardıcıllığını daxil edən debug səhnəsinə yeni bir element də əlavə etdik. Bu yazıda mən bu səhnələri yaratmağa gedən prosesi gözdən salacağam.

Fon

Rəqs kontekstində interaktiv və generativ sistemlərin uzun tarixi var. Bildiyim ən qədim nümunələrdən bəziləri 1966-cı ildəki "9 axşam" seriyasından gəlir. Məsələn, rəqqasların işıqlandırma dizaynı, proyeksiyası və hətta avtomatlaşdırılmış mexaniki elementlərlə qarşılıqlı əlaqədə olduğu "Daşımasızlıq" adlı Yvonne Rainer.

Yvonne Rainer'in

Son zamanlarda rəqs ətrafında bütün alət dəstləri və ya icmalar qurmuş sənətçi-mühəndislər var. Məsələn, Mark Coniglio 1989-cu ildə yaratdığı alətlərdən başlayaraq İsadoranı inkişaf etdirdi.

Ekran şəkli Mark Coniglio tərəfindən. [Təsvir təsviri: Mikrofon girişi, dalğa tabloları, video aktivlər, kamera girişi və digər xüsusiyyətlər üçün nişanlar olan müxtəlif ölçülü çoxlu qovşaqları birləşdirən düzbucaqlı naqillərlə yamaq mühitinin görüntüsü.]

Və ya 1993-cü ildən başlayaraq Frieder Weisse tərəfindən Kalypso və EyeCon.

Frieder Weisse tərəfindən Eyecon ekranı. [Təsvir təsviri: Windows 2000-də işləyən proqramın ekran görüntüsü, bəzi debat bindirmələri, debug mətni və parametrləri olan canlı kamera girişi üçün çox panel. Hər bir panel

Mən 1990-cı illərin sonlarından bəri rəqqasların vizuallaşdırılması və artırılması üçün əsas metodlar üzərində çalışan OpenEnded Group-dan şəxsən çox ilham almışam.

OpenEnded Group tərəfindən hazırlanan bir çox parça, node əsaslı yamaq, mətnə ​​əsaslanan proqramlaşdırma və qrafik tənzimləmə elementlərini özündə birləşdirən "Sahə" adlanan xüsusi mühitdə hazırlanmışdır.

OpenEnded Group tərəfindən sahə. [Təsvir təsviri: Python kodu olan bir pəncərə, vizuallaşdırma / göstərmə pəncərəsi, hadisələrin qrafiki qrafiki və proqramın işlənməsi və ayırılması üçün nişanlar daxil olmaqla, Mac OS X-in ilk versiyasında işləyən çoxsaylı pəncərələrin ekran görüntüsü.]

AI Rəqqasə Səhnəsi

Diskret rəqəmlər üzərində işlədiyim üçün dərin öyrənmədən insan hərəkatına tətbiq olunan bir neçə tədqiqat layihəsindən ilhamlandım. Ən böyük ilham Luka və Louise Crnkovic-Friis tərəfindən "chor-rnn" adlanır.

Chor-rnn-də əvvəlcə hərəkətə keçmək üçün bir Kinect v2 istifadə edərək bir müasir rəqqasədən beş saatlıq məlumat toplayırlar. Sonra məlumatları LSTM adlı ümumi bir neyron şəbəkə arxitekturası ilə emal edirlər. Bu təkrarlanan neyron şəbəkə arxitekturası (RNN) bir şəkil kimi statik məlumatlardan fərqli olaraq ardıcıl məlumatların işlənməsi üçün nəzərdə tutulduğunu bildirir. RNN, hərəkət çəkmə məlumatlarını bir anda bir kadrda işləyir və rəqs üslubu təsnifatı və ya rəqs nəsli kimi problemlərə tətbiq edilə bilər. "Chor-rnn", "char-rnn", bir anda mətnin bir simvolu təhlil etmək və yaratmaq üçün istifadə olunan məşhur bir memarlıqdan bir pun.

Diskret rəqəmlər üçün 40 ayrı qeyd sessiyasında 60 kadr tezliyi ilə Vicon hərəkət ələ keçirmə sistemi ilə 2.5 saatlıq məlumat topladıq. Hər seans fərqli bir üslubda improvizə edən səkkiz rəqqasədən birindən ibarətdir: "robot", "kədərli", "sevimli" və s. Rəqqasələrə ardıcıl vaxt ayırmaq üçün 120 düym sürət hədiyyə edildi.

Nümunə hərəkət ələ keçirmə sessiyası: fırlanma məlumatları, zamanla hiylələr şəklində. [Təsvirin təsviri: satır şəklində yığılmış onlarla süjet sahəsi, y oxu “Birləşmiş” 0–20 +, x ox isə “Seconds” 0–250 + əlavə edilmişdir.

Bu məlumatlar, adətən video oyun və animasiya etmək üçün hazırlanan mövcud hərəkət ələ keçirmə məlumat bazalarından çox fərqlidir. Yaradan insan hərəkəti ilə bağlı digər tədqiqatlar da adətən bu məqsədlə hazırlanmışdır, məsələn, Edinburq Universitetindən "Fazalı İşləyən Sinir Şəbəkələri" bir joystick, 3d ərazi və gəzinti dövrü və xarakter hərəkətini təmin edir.

Rəqqasələr və üslublar arasındakı fərqlər və musiqidə ritmin doğaçlama rəqsinə necə bağlanması kimi şeylər bizi daha çox maraqlandırır. Bu istiqamətdə ilk araşdırmalarımız üçün, Parag Mital ilə Dance2dance adlı bir şəbəkə hazırlamaq və hazırlamaq üçün çalışdıq. Bu şəbəkə Google-dan seq2seq arxitekturasına əsaslanır, ardıcıl modelləşdirmə üçün istifadə edilə bilən neyron şəbəkə memarlığı olduğuna görə char-rnn-ə bənzəyir.

Adətən seq2seq modelləşdirmə və dil yaratmaq üçün istifadə olunur. Hərəkəti ələ keçirmə məlumatlarını idarə etmək üçün dəyişdirdik. Chor-rnn nəticələrinə əsasən "qarışıq sıxlığı şəbəkələri" (MDN) adlı bir texnikadan da istifadə etdik. MDN bizə hər addımda birdən çox nəticələr arasında bir ehtimal paylanmasını proqnozlaşdırmağa imkan verir. Sözlər, simvol və ya kateqoriyalar kimi diskret məlumatları proqnozlaşdırarkən, ehtimallar arasında ehtimal paylanmasını proqnozlaşdırmaq standartdır. Fırlanma və ya mövqelər kimi davamlı bir dəyər proqnozlaşdırdığınız zaman, vahid bir dəyəri proqnozlaşdırmaqdır. MDN-lər bizə çox dəyərləri və neyron şəbəkəsinin məlumatların daha mürəkkəb quruluşunu öyrənməsini təmin edən hər ehtimalını əvvəlcədən müəyyən etmək imkanı verir. MDN olmadan neyron şəbəkə ya təlim məlumatlarını aşırdır, ya da kopyalayır və ya "orta" nəticələr yaradır.

Bunun üzərində işləyərkən qarşılaşdığımız böyük bir texniki sual, rəqsi necə təmsil etməyimiz idi. Varsayılan olaraq, hərəkət ələ keçirmə sistemindəki məlumatlar, BVH adlı bir formatda saxlanılır, bu da sabit uzunluqlu əzalara sahib bir skelet quruluşu və hər çərçivə üçün bir sıra mövqe və fırlanma yerləri təmin edir. Məlumatlar, dünyada rəqqasənin ümumi mövqeyini təmsil etmək üçün istifadə olunan kalça mövqeyi istisna olmaqla, dönmələrdən istifadə edərək kodlanır. Sinir şəbəkəsi ilə fırlanma məlumatları yarada bilsəydik, onda yeni BVH faylları yarada bilərik və virtual rəqqasənin möhkəm 3D modelini dəyişdirmək üçün istifadə edə bilərik.

Məsələn solda skelet quruluşu ilə BVH faylı və sağdakı məlumat çərçivələri. Bir nümunə BVH faylı üçün buraya baxın. [Təsvirin təsviri:

chor-rnn, 3D mövqeyi məlumatlarını istifadə edir, bu, palma-up vs xurma-aşağı baxan uzanmış əl kimi bir şeyi ayırmaq mümkün olmadığını və ya rəqqasənin başının sola-sağa doğru olub olmadığını göstərir.

İnsan hərəkətini necə təmsil edəcəyi ilə bağlı bir sıra başqa qərarlar var.

  • Məlumatlar: mövqe və ya fırlanma.
  • Təqdimat: mövqe üçün, karteziya və sferik koordinatlar var. Dönüş üçün fırlanma matrisləri, dördlüklər, Euler açıları və ox bucağı var.
  • Müvəqqəti əlaqə: müvəqqəti mütləq məlumatlar, ya da əvvəlki çərçivəyə nisbətən fərq.
  • Fəza əlaqəsi: məkan mütləq məlumat, ya da valideyn ortaqlığına nisbətdə fərq.

Bunların hər birinin fərqli faydaları və çatışmazlıqları var. Məsələn, müvəqqəti nisbi məlumatlardan istifadə edərək məlumatları modelləşdirməyi asanlaşdıran məlumatları istifadə edir (bu yanaşma David Ha tərəfindən eskiz-rnn üçün istifadə olunur), lakin mütləq mövqe yaradan zaman yavaş-yavaş sürüklənə bilər.

Euler açılarından istifadə modelləşdirmə üçün dəyişənlərin miqdarını azaltmağa kömək edə bilər, ancaq bucaqlar neyron şəbəkələri ilə modelləşdirmək çətin olan bir şəkildə sarılır. Səs siqnallarının fazasını modelləşdirmək üçün neyron şəbəkələrini istifadə edərkən oxşar bir problemə rast gəlinir.

Bizim vəziyyətimizdə, müvəqqəti və məkan baxımından mütləq kvaternionlardan istifadə etmək qərarına gəldik. Əvvəlcə uçuş və quaternion uçuşu ilə əlaqədar bəzi problemlər yaşadıq, çünki dördlüklərin hər hansı bir istiqamətə görə iki ekvivalent nümayəndəliyi var, ancaq dörd nümayəndəliyi vahid bir nümayəndəlik üçün məhdudlaşdırmaq mümkündür.

Dance2dance şəbəkəsini öyrətmədən əvvəl, məlumatlarla əlaqədar digər təcrübələr sınadım. Məsələn, hər bir çərçivəni "sıxışdırmaq" üçün bir dəyişkən otoenkoder (VAE) hazırlamaq.

Nəzəri olaraq, hər bir çərçivəni sıxışdırmaq mümkündürsə, orijinal məkan modelləşdirməkdən narahat olmaq əvəzinə, o sıxılmış məkanda yaratmaq mümkündür. VAE-də işlənmiş məlumatlar üzərində hazırlanmış 3 qatlı LSTM-dən istifadə etmək istəyəndə nəticələr inanılmaz dərəcədə "sarsıldı". (Güman edirəm ki, mən heç bir müvəqqəti hamarlığı tələb etmədim və VAE ifadəli şəkildə interpolasiya etməyi öyrənmək əvəzinə fərdi çərçivələri yenidən qura bilən çox incə gizli bir boşluq əldə etdi.)

Bir neçə gün Dance2dance şəbəkəsini öyrəndikdən sonra bəzi giriş məlumatlarımıza bənzəyən nəticələr əldə etməyə başladıq. Bütün bu təcrübələr arasındakı ən böyük fərq, yaradılan rəqqasənin velosiped kreslosunda dolaşdığı kimi itburnuların yerində olmasıdır. İtburnu sabitdir, çünki biz yalnız fırlanmaları modelləşdirdik və kalça mövqeyini ofset etmədik.

Tamaşanın son tarixi yaxınlaşdıqca, təhsili dayandırıb, hazırladığımız modellə işləməyi qərara aldıq. Şəbəkə hələ də elə orijinal hərəkəti xatırladan bir növ insan olmayan bir hərəkət yaradırdı və tamaşada yaratmağa çalışdığımız hissə uyğun idi.

Tamaşa əsnasında Elevenplay'dan həqiqi rəqqasə 丸山 未 那 子 (MARUYAMA Masako və ya Maru) AI rəqqasəsinin ətrafındakı məkanı araşdıraraq, məsafəni maraq və şübhə ilə qarışdıraraq səhnəyə başlayır. Sonda Maru rəqqasəni təqlid etməyə çalışır. Mənim üçün bu, həyəcan verici məqamlardan biridir, çünki bir dəfə bir rəqqasənin təcəssüm etdiyi bir sinir şəbəkəsindən keçən insan hərəkatını göstərir. Yaradılmış hərəkət daha sonra Maru və AI rəqqasəsi arasında yavaş inkişaf edən bir duet hazırlamaq üçün xoreoqrafiya ilə əlaqələndirilir. Bu müddət ərzində sərt 3D model "cana gəlir" və gümüşü bir 3D çubuqdan teksturalı rəqqasəyə dəyişir. Mənim üçün bu, yaradıcı ifadə insanlar arasında paylaşıldığı zaman həyatın necə meydana gəldiyini əks etdirir; paylaşmanın başqa bir yarımçıq qalan bir şeyi tamamlaya biləcəyi yol Səhnə sona çatdıqda, AI rəqqasəsi səhnədən çıxmağa çalışır, amma Maru AI rəqqasına tərəf uzanaraq xurma ilə eyni istiqamətdə dayandı. AI rəqqasəsi yenidən gümüşü qabığa çevrilir və tamamlanmaması üçün gerçək bir cəsəd və ya hər hansı bir insan ruhu olmadan tək qalır.

Debug Scene

Debug səhnəsi AI rəqqasə səhnəsindən əvvəldir və mücərrəd bir giriş kimi çıxış edir. Debug səhnəsi üçün təlim və nəsil prosesindən müxtəlif məlumatlar topladım və araşdırma üçün bir növ mənzərə kimi təqdim edirəm.

Debug səhnəsinin dörd əsas elementi var və ardından tamaşadan əvvəl izləyicilər tərəfindən tutulan məlumatlar toplusu izlənilir.

Mərkəzdə skelet və möhkəm 3D model də daxil olmaqla yaradılan rəqqas var. Yaradılmış rəqqasəni örtmək, fırlanan kubların bir dəstidir, modeldəki ən çox oynaqların hər birini fırlanma şəklində təmsil edir. Solda və sağda, yaradılan məlumatlara əsasən 3D nöqtə buludları var.

[Təsvirin təsviri: yenə də hər istiqamətdən çıxan, bir-birindən dolanan və yerin mərkəzinə doğru çökən bənzər rəngli çoxlu meylləri olan nöqtə buludunu göstərən diskussiya səhnəsindən.]

Nöqtəli buludlardakı hər nöqtə yaradılan məlumatların tək bir çərçivəsinə uyğundur. Bir nöqtə buludu xam fırlanma məlumatlarını, digər nöqtə buludu o nöqtədəki neyron şəbəkəsinin vəziyyətini təmsil edir. Nöqtəli buludlar Leland McInnes tərəfindən UMAP adlı bir texnikanın köməyi ilə yaranır.

Misal MNIST məlumat bazasında yaradılan UMAP nöqtə buludu. [Təsvirin təsviri: “Ayaq biləyi çəkmə, Çanta, Sneaker, Köynək, Səndəl…” və s. Oxuyan rənglərin açarı olan boşluqları fəza və rəngə görə göstərən nöqtə buludu.]

2D və ya 3D nöqtələri düzəltmək asandır, ancaq 3-dən çox ölçüyə sahib olduğunuzda görüntüləmək çətin ola bilər. UMAP çox sayda ölçü götürərək (rəqs məlumatlarının tək bir çərçivəsinin bütün fırlanma dəyərləri kimi) və bənzər bir quruluşa sahib 3D nöqtələr toplusu yaratmaqla bu problemə kömək edir. Bu, yüksək ölçülü məkanda yaxın olan nöqtələrin aşağı ölçülü 3D məkanda yaxın olması deməkdir. Bunun üçün başqa bir məşhur alqoritm t-SNE-dir.

Son element qara və ağ kvadratlardan hazırlanmış fonda böyük fırlanan küpdür.

[Təsvir təsviri: Kiçik saylardan və müxtəlif ölçülü qara və ağ düzbucaqlılardan ibarət dramatik geniş açı, küp boşluq mərkəzində çox kiçik göstərilən bütün debug səhnəsini əhatə edir.]

Bu, Hinton Diaqramı adlanan sinir şəbəkələrinin vəziyyətini vizuallaşdırmaq üçün ənənəvi bir texnikaya istinaddır.

Hinton və digərlərinin 1991-ci ildəki bir kağızından çıxarış. [Təsvir təsviri: üfüqi xətlərin hissələrini əhatə edən qara və ağ düzbucaqlı olan sıx qara və ağ üfüqi xətlərin beş ayrı sətri.]

Bu diaqramlarda qara kvadratlar mənfi ədədləri, ağ kvadratlar müsbət ədədləri, ölçü isə dəyərə uyğun gəlir. Tarixən bu diaqramlar bir sinir şəbəkəsinin daxili vəziyyətini tez bir zamanda yoxlamaq və əl ilə müqayisə etməkdə kömək edirdi. Bu vəziyyətdə, hərəkəti yaradan dans2dance şəbəkəsinin vəziyyətini vizual olaraq görürük.

Debug səhnəsinin bitmə ardıcıllığı hər tamaşadan əvvəl toplanmış məlumatlara əsaslanır. Tamaşaçılardan bir anda bir nəfərin qara fon qarşısında bir dəqiqə rəqs etmələri istənir. Ilham üçün bir nümunə rəqsi göstəririk və tamaşaçılara toplanılan şeyləri anlamağa kömək etmək üçün zamanlı poza izləmə nəticələrini göstəririk. Bu tutma kabinəsi 浅井 裕 太 (ASAI Yuta) və 毛利恭 平 (MŌRI Kyōhei) tərəfindən qurulmuş və nümunə rəqsi Rhizomatiks tərəfindən göstərilən Maru'nun möhkəm bir modelini təqdim edir.

[Təsvirin təsviri: sağdakı və sol tərəfdəki gənc monitor ilə performans məkanı lobbisi. Uşaq qara fonda qara rəngli xalça üzərində dayanır, işıqları işıqlandırır, monitora baxır və ekrandakı bir rəqqasəni şərh edir. Digər uşaqlar və ailə ekrana tərəf tərəfdən baxırlar.]

Hər bir tamaşaçı üzvü ilə rəqs videosunu OpenPose istifadə edərək hərəkətlərini təhlil edən uzaq bir maşına yükləyirik. Performans günlərində 16 p2.xlarge AWS nüsxəsini canlı saxladıq və 2bit avtomatlaşdırılmış bu məlumatı almağa hazır olduq.

[Video təsviri: uyğun bir cins şalvar və yaxalı köynək geyən iki tədqiqatçının izli skelet şəklində örtülmüş şəkli, bir tədqiqat müəssisəsinin içərisində çoxlu telləri olan böyük altıbucaqlı günbəz qarşısında görünən, əllərini tutan və aksesuarları doğruluğunu nümayiş etdirən video. izləmə.]

Onların hərəkətlərini təhlil etdikdən sonra, müvafiq pozalardan görüntü yaratmaq üçün pix2pixHD adlı bir memarlıq yetişdiririk. Pix2pixHD adətən qeyri-kommersiya lisenziyası altında mövcud olsa da, NVIDIA bizə bu performans üçün bir istisna verdi.

[Video təsviri: semantik xəritədən yaranan fotorealistik görüntünü ortaya qoymaq üçün solğun salfetlər axtaran bir avtomobilin içərisindəki bir mənzərənin rəngarəng semantik xəritəsi.]

Pix2pixHD öyrədildikdən sonra eyni insanı əks etdirən "saxta" rəqs videolarını sintez edə bilərik. Bu proses Caroline Chan et al tərəfindən "İndi Hər kəsin rəqsi" ilə çox ilhamlanır.

Bizim vəziyyətimizdə məşq zamanı rəqsi sintez edirik. Bu, ardıcıllıqla ilk görüntülərin bulanıq və aydın görünməməsi deməkdir, ancaq səhnənin sonunda daha çox tanınan xüsusiyyətlərə qərar verməyə başlayırlar. Bu hissənin birinci yarısında yaradılan rəqqas örgüsünün ara-sıra üst-üstə düşməsini, ikinci yarısında isə orijinal video qeydindən ən uyğun gələn çərçivənin qısa təsvirlərini göstəririk. Yaradılması uyğun kodu Asai tərəfindən hazırlanmışdır.

Diskret rəqəmlərin çoxu zamanlı işləyirsə, debug səhnəsi əvvəlcədən OpenFrameworks-da göstərilir və şounun ortasında bir şeyin səhv olma ehtimalını azaltmaq üçün video faylı olaraq ixrac olunur. Video hər şou üçün yenidən göstərildiyi üçün, vaxtın unikal idarə edilməsi tələb olunurdu:

  • Şounun qapıları hər tamaşadan bir saat əvvəl açılır.
  • Hər bir tamaşaçı üzvü addım-addım qalxmadan əvvəl və sonra bir müddətlə bir dəqiqəlik qeyd edir.
  • Hər adam başına 15 dəqiqə pix2pixHD istifadə edərək (AWS-dən məkana video ötürmə və fayl ötürülməsi daxil olmaqla) məşq edirik və göstəririk.
  • Yaradılmış videolardan videonu göstərmək üçün 12 dəqiqə çəkir.
  • İşıqların sönməsindən 15 dəqiqə əvvəl (tamaşaçı oturduğu üçün) videonu son yoxlama üçün təhvil verməliyik.

Bu, hər tamaşaya 15 nəfər tamaşaçı üzvünün daxil olmasına imkan yaratdı.

Pix2pixHD istifadə tamaşaçı video əsasında yaradılan şəkillər. [Təsvir təsviri: Bəzi aydın ayaqları, gödəkçələri, qolları, başları və orta parlaqlıq ərazilərində çox ölçülü sabit naxış səs-küyü olan qara bir fonda bulanık insan şəkli şəkillərinin görüntüləri.]Tamaşaçı videosundan ən yaxşı uyğun görüntülər. [Təsvirin təsviri: bütün qolları əsasən sola uzanmış qara fonda rəqs edən tamaşaçı üzvlərinin fotoları.]

Maru, hərəkət məlumatlarını maşınla yenidən qiymətləndirmə prosesini yaşamaq şansına sahib olsa da, debug səhnəsinin bu son bölümü tamaşaçılara eyni hisslər keçirmək şansı verir. Bütün performans boyunca təkrarlanan bir mövzunu izləyir: insanlığınızın maşında əks olunduğunu və əksinə görmək.

Gələcək

Sonrakı digər məlumat nümayəndəliklərini, digər şəbəkə arxitekturalarını və şərti nəsil (müəyyən bir üslubda və ya müəyyən bir rəqqasədən və ya müəyyən bir rəqqasədən rəqs yaradan) və təsnifatdan (bu atributların hər birini giriş məlumatlarından, məsələn generative musiqisi olan bir rəqqasın ritmini izləyin). Bu memarlar üçün təlim prosesi uzun çəkə bilərsə də, öyrədildikdən sonra qiymətləndirmə real vaxt rejimində baş verə bilər və onlardan interaktiv kontekstlərdə istifadə imkanları açılır.

Kreditlər

diskret rəqəmlər demək olar ki, bir saat davam edir və bu məqalədə yalnız kiçik bir hissə təsvir olunur. Bütün parça üçün kreditlər aşağıda, həmçinin layihənin veb saytında mövcuddur.

Tökmə KOHMEN (ELEVENPLAY) / ERISA (ELEVENPLAY) / SAYA (ELEVENPLAY) / KAORI (ELEVENPLAY) / MARU (ELEVENPLAY) / EMMY (ELEVENPLAY) / YU (ELEVENPLAY) Səhnə istiqaməti | Xoreoqrafiya MIKIKO Bədii rəhbərliyi | Musiqi Daito Manabe (Rhizomatiks Araşdırma) Texniki İstiqamət | Təchizat mühəndisliyi Motoi Ishibashi (Rhizomatiks Araşdırma) Maşın öyrənmə istiqaməti Kyle McDonald Maşın öyrənmə Yuta Asai (Rhizomatiks Araşdırma) Şəbəkə proqramlaşdırma 2bit Proyeksiya Sistemi | Proqram Mühəndisliyi Yuya Hanai (Rhizomatiks Araşdırma) Görselleştirme Satoshi Horii (Rhizomatiks Araşdırma) / Siz Tanaka (Rhizomatiks Araşdırma) / Futa Kera (Rhizomatiks Araşdırma) CG İstiqamət Tetsuka Niiyama (+ Ring / TaiyoKikaku Co., Ltd.) CG İstehsalçı (Toshihiko Sakata) Üzük / TaiyoKikaku Co, Ltd.) Musiqi Daito Manabe / Hopebox / Kotringo / Krakaur / Setsuya Kurotaki / Seiho Videoqraf Muryo Homma (Rizomatiks Araşdırma) Mərhələ Mühəndisliyi Momoko Nishimoto (Rhizomatiks Araşdırma) Motion Capture Tatsuya Ishi (Rhizomatik) Rhizomatiks Araşdırma) 4D-VIEWS Aypara, Inc. Texniki Dəstək Shintaro Kamijo (Rhizomatiks Araşdırma) Sənət Tomoaki Yanagisawa (Rhizomatiks Araşdırma) / Toshitaka Mochizuki (Rizomatiks Araşdırma) / Kyohei Mouri (Rhizomatiks Araşdırma) Təqdimatçı Dizayner Hiroyasu Kimuuku Hümayotu Kimura (Rhizomatiks Dizayn) / Kaori Fujii (Rhizomatiks Dizayn) İstehsal İdarəetmə Yoko Shiraiwa (ELEVENPLAY) / Nozomi Yamaguchi (Rhizomatiks Araşdırma) / Ayumi Ota (Rhizomatiks Araşdırma) / Rina Watanabe (Rhizomatiks Araşdırma) İstehsalçı Takao Inoue (Rhizomatiks Araşdırma) İstehsal Rhizomatiks co., Ltd.