Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17799
Τίτλος: | Αναγνώριση είδους μουσικής από συμβολικά δεδομένα (MIDI) με τεχνικές μηχανικής μάθησης |
Συγγραφείς: | Μάκαρης, Νικόλαος Δ. Στάμου Γιώργος |
Λέξεις κλειδιά: | Μηχανική Μάθηση Machine Learning Νευρωνικά Δίκτυα Neural Networks Αναγνώριση Είδους Μουσικής Music Genre Recognition Συμβολικά Δεδομένα MIDI Symbolic Data MIDI Συνελικτικά Νευρωνικά Δίκτυα Convolutional Neural Networks |
Ημερομηνία έκδοσης: | 18-Νοε-2020 |
Περίληψη: | Το θέμα της παρούσας διπλωματικής εργασίας είναι η αναγνώριση είδους μουσικής με ανάλυση μουσικών κομματιών από συμβολικά δεδομένα, δηλαδή δεδομένα που είναι κωδικοποιημένα σε MIDI (Musical Instrument Digital Interface) μορφή, βασισμένη σε αρχιτεκτονικές βαθιάς μηχανικής μάθησης (Deep Learning) . Το θέμα αναγνώρισης είδους μουσικής ( MGR - Music Genre Recognition ) αποτελεί ένα ενεργό πρόβλημα στον τομέα της άντληση πληροφορίας από μουσική ( MIR - Music Information Retrieval) και συνδέεται με πολλές ερευνητικές μελέτες τα τελευταία χρόνια. Θα χρησιμοποιηθεί επιβλεπόμενη μηχανική μάθηση και πιο συγκεκριμένα, συνελικτικά νευρωνικά δίκτυα ( CNN ) για την ταξινόμηση κομματιών σε συγκεκριμένες κατηγορίες. Επιλέχθηκαν διάφορα σύνολα δεδομένων για τα πειράματά μας, όπως τα Million Song Dataset ,Tagtraum , Lastfm , τα οποία είναι ευρέως διαδεδομένα στον συγκεκριμένο τομέα της MIR . Περιλαμβάνεται επίσης μια συζήτηση περί κάποιων θεωρητικών θεμάτων που σχετίζεται με τα είδη της μουσικής, δηλαδή οι μηχανισμοι που χρησιμοποιούν οι άνθρωποι για να κατηγοριοποιήσουν τη μουσική ανά είδος και το εάν μπορούν να δημιουργηθούν αντικειμενικές ταξινομήσεις είδους μουσικής. |
URI: | http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17799 |
Εμφανίζεται στις συλλογές: | Διπλωματικές Εργασίες - Theses |
Αρχεία σε αυτό το τεκμήριο:
Αρχείο | Περιγραφή | Μέγεθος | Μορφότυπος | |
---|---|---|---|---|
makaris_nikolaos_diploma_thesis.pdf | Διπλωματική Εργασία | 4.32 MB | Adobe PDF | Εμφάνιση/Άνοιγμα |
Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.