Please use this identifier to cite or link to this item:
http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17799
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Μάκαρης, Νικόλαος Δ. | - |
dc.date.accessioned | 2020-11-24T21:45:23Z | - |
dc.date.available | 2020-11-24T21:45:23Z | - |
dc.date.issued | 2020-11-18 | - |
dc.identifier.uri | http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17799 | - |
dc.description.abstract | 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. | en_US |
dc.language | el | en_US |
dc.subject | Μηχανική Μάθηση | en_US |
dc.subject | Machine Learning | en_US |
dc.subject | Νευρωνικά Δίκτυα | en_US |
dc.subject | Neural Networks | en_US |
dc.subject | Αναγνώριση Είδους Μουσικής | en_US |
dc.subject | Music Genre Recognition | en_US |
dc.subject | Συμβολικά Δεδομένα MIDI | en_US |
dc.subject | Symbolic Data MIDI | en_US |
dc.subject | Συνελικτικά Νευρωνικά Δίκτυα | en_US |
dc.subject | Convolutional Neural Networks | en_US |
dc.title | Αναγνώριση είδους μουσικής από συμβολικά δεδομένα (MIDI) με τεχνικές μηχανικής μάθησης | en_US |
dc.description.pages | 137 | en_US |
dc.contributor.supervisor | Στάμου Γιώργος | en_US |
dc.department | Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών | en_US |
dc.description.notes | Η ταξινόμηση μουσικής είναι ένας ευρύς και διεπιστημονικός τομέας έρευνας που προσφέρει σημαντικά οφέλη τόσο από ακαδημαϊκή όσο και από εμπορική άποψη. Το αντικείμενο της παρούσας διπλωματικής εργασίας είναι η προσπάθια προσέγγισης του προβλήματος της κατηγοριοποίησης είδους μουσικής ( music genre recognition - MGR ) από συμβολικά δεδομένα ( MIDI ) με τεχνικές μηχανικής μάθησης ( Machine Learning ). Ουσιαστικά, ο πρωταρχικός στόχος αυτής της διπλωματικής εργασίας είναι η παραγωγή ενός αποτελεσματικού και εύχρηστου συστήματος λογισμικού που θα μπορούσε να ταξινομήσε αυτόματα τα μουσικά κομμάτια από συμβολικά δεδομένα ( MIDI δεδομένα) σε είδος μουσικής.Αυτό θα γίνει χρησιμοποιώντας νευρωνικά δίκτυα ( Neural Networks ), αφού έχει επισημανθεί με μια δεδομένη κατηγοροποίηση είδους και εκπαιδεύτεί σε ένα σύνολο δεδομένων. Προτού επιτευχθεί αυτό, φυσικά, υπάρχουν ορισμένες ενδιάμεσες εργασίες που πρέπει να ολοκληρω θούν, η καθεμία με διαφορετικό βαθμό δυσκολίας και της δικής της ερευνητικής αξίας από μόνη της. Η κατηγοριοποίηση σε είδος μουσικής χρησιμοποιείται από μουσικούς συνθέτες, μουσικές βιβλιοθήκες και άτομα γενικά ως πρωταρχικό μέσο οργάνωσης μουσικής. Δεν υπάρχει αμφιβολία ότι το είδος είναι ένα από τα πιο σημαντικά μέσα που είναι διαθέσιμα για την ταξινόμηση και την οργάνωση της μουσικής. Η αυτόματη αναγνώριση είδους μουσικής αποτελεί ένα από τα πιο ενεργά πεδία έρευνας MIR . Ωστόσο, η περισσότερη έρευνα σε αυτό το κομμάτι γίνεται χρησιμοποιώντας ηχητικά δεδομένα ( audio data ), δηλαδή γίνεται προσπάθια κατηγοριοποίηση του είδους μέσω επεξεργασία σήματος είτε με εξαγωγή χαρακτηριστικών ( feature extraction ) και εκμάθηση χαρακτηριστικών ( feature learning ) μέσω νευρωνικών δικτύων. Επίσης γίνεται έρευνα για την ίδια προσπάθεια, αναλύοντας στίχους των κομματιών και εξάγωντας συμπεράσματα από αυτά. Στη παρούσα εργασία, αντιθέτως, θα χρησιμοποιήσουμε συμβολικά δεδομένα, δηλαδή δεδομένα MIDI για την ταξινόμηση σε είδη μουσικής. | en_US |
Appears in Collections: | Διπλωματικές Εργασίες - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
makaris_nikolaos_diploma_thesis.pdf | Διπλωματική Εργασία | 4.32 MB | Adobe PDF | View/Open |
Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.