Таблица | Карточка | RUSMARC | |
Разрешенные действия: –
Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Группа: Анонимные пользователи Сеть: Интернет |
Аннотация
Автоматическая транскрипция музыки является одним из основных направлений исследований в области поиска музыкальной информации. Многие задачи транскрипции аудиосигнала требуют также дополнительной информации о сыгранном музыкальном фрагменте - в частности, информации о техниках игры на музыкальном инструменте. Задача определения техники игры на музыкальном инструменте может быть решена с помощью подходов, используемых в анализе речи и классификации звуковых сигналов. Данная работа предлагает две модели для классификации техник игры на гитаре, основанные на сверточных нейронных сетях и нейронных сетях с долгой краткосрочной памятью. Производится оценка и сравнение моделей с SVM классификатором. Для всех вариантов построенной системы транскрипции гитарной музыки производится сравнение показателей точности определения высоты тона и классификации приемов игры в зависимости от используемой модели классификатора и алгоритма автоматической транскрипции.
Automatic music transcription is a fundamental problem in the field of music information retrieval. Many tasks of transcribing audio signal into note-level musical notation also require additional information about piece of music, namely, playing techniques. The task of musical instrument playing techniques classification can be solved using the approaches derived from speech analysis and sound event detection. This work proposes two guitar playing classification models based on LSTM neural networks and convolutional neural networks. These models were evaluated and compared to SVM model. Evaluation and comparison of automatic guitar transcription systems built with state-of-the-art automatic transcription algorithms and aforementioned classification models are also provided.
Права на использование объекта хранения
Место доступа | Группа пользователей | Действие | ||||
---|---|---|---|---|---|---|
Локальная сеть ИБК СПбПУ | Все | |||||
Интернет | Авторизованные пользователи СПбПУ | |||||
Интернет | Анонимные пользователи |
Оглавление
- ВВЕДЕНИЕ
- 1. Подготовка набора данных, развертывание окружения
- 1.1. Набор данных для обучения классификаторов приемов игры на гитаре
- 1.2. Представление данных
- 1.2.1. Аугментация данных
- 1.2.2. Нормирование
- 1.3. Набор данных для системы автоматической транскрипции гитарной музыки
- 1.4. Используемые инструменты
- 2. Разработка автоматического классификатора приемов игры на гитаре
- 2.1. Типы моделей
- 2.1.1. Метод опорных векторов
- 2.1.2. Сверточные нейронные сети
- 2.1.3. Рекурентные нейронные сети с долгой краткосрочной памятью
- 2.2. Оценка работы моделей
- 2.2.1. Общая точность, F1
- 2.2.2. Матрица неточностей
- 2.1. Типы моделей
- 3. Разработка системы автоматической транскрипции гитарной музыки
- 3.1. Автоматическая транскрипция музыки с использованием алгоритма PYIN
- 3.2. Автоматическая транскрипция музыки с помощью системы Onsests and Frames
- 3.3. Оценка систем автоматической транскрипции гитарной музыки
- 3.3.1. Определение фундаментальной частоты
- 3.3.2. Определение приема игры
- ЗАКЛЮЧЕНИЕ
- СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
- ПРИЛОЖЕНИЕ 1. КОД ПРОГРАММЫ
- ПРИЛОЖЕНИЕ 2. РИСУНКИ
Статистика использования
Количество обращений: 18
За последние 30 дней: 0 Подробная статистика |