|
|
Extrakce parametrů pro výzkum interpretačního výkonu
Laborová, Anna ; Miklánek, Štěpán (oponent) ; Ištvánek, Matěj (vedoucí práce)
Rozdílné interpretace stejné skladby se mohou mezi sebou zásadně lišit. Nejen skladatel a noty definují posluchačův hudební zážitek, ale i charakteristická interpretace je integrální částí hudebního díla. Pro objektivní analýzu interpretačního výkonu jsou parametry rozděleny do čtyř tříd – z hlediska času (tempa), hlasitosti (dynamiky), témbru a výšky tónu. Každý parametr nebo jejich kombinace může ovlivnit výsledný unikátní charakter interpretace. Extrakce parametrů pro výzkum interpretačního výkonu je jedno z komplikovaných témat stojící na pomezí oblastí analýzy interpretačního výkonu a získávání informací z hudby. Předložená práce shrnuje poznatky a metody z obou oblastí. Pro výzkum byla vytvořena databáze, která obsahuje 31 nahrávek jedinečných interpretací 2. věty Lento Smyčcového kvartetu č. 12 F dur (1893) českého romantického skladatele Antonína Dvořáka (1841–1904).
|
|
|
Systémy pro určení rytmických struktur v hudebních nahrávkách
Staňková, Karolína ; Miklánek, Štěpán (oponent) ; Ištvánek, Matěj (vedoucí práce)
Tato diplomová práce se zabývá systémy pro detekci rytmických struktur hudebních nahrávek. Obor získávání informací z hudby (MIR) umožňuje zkoumat harmonické a tonální vlastnosti hudby, rytmus, tempo apod., a využívá se v akademické i komerční sféře. V oblasti detekce rytmických struktur se využívají různé algoritmy, nicméně dnes většina nových metod využívá neuronové sítě. Cílem této práce je shrnout dosavadní výsledky výzkumů systémů pro detekci hudebních dob a tempa v oboru MIR, popsat způsoby výpočtu a vyhodnocení parametrů hudebních nahrávek, a implementovat program, který umožní srovnání dostupných detekčních systémů. Výsledkem práce je program v jazyce Python, který využívá k detekci rytmické struktury testovacích nahrávek šest různých systémů. Výstupy algoritmů následně kontroluje podle zadané reference a pomocí několika hodnotících veličin dané systémy porovnává mezi sebou. K tomu využívá dvou databází hudebních nahrávek, jedné větší převzaté a jedné menší vytvořené v rámci této práce (včetně anotací, tedy referenčních časů dob pro jednotlivé nahrávky). Program též umožňuje zobrazení výsledků v grafech a přehrání libovolné nahrávky doplněné o stopu obsahující detekované časy dob.
|
|
| |
|
|
Enhancement Of Global Tempo Computation In Beat Tracking System Based On Teager-Kaiser Energy Operator
Ištvánek, Matěj
Beat detection systems and onset detections are used in music information retrieval (MIR) research field for the calculation of the global tempo (GT) and beat positions in audio recordings. The aim of this article is to introduce the enhancement of the onset detector and therefore the beat tracking system. The enhancement is based on the Teager-Kaiser energy operator (TKEO), which is used in pre-processing stage before the onset computation. The proposed method is firstly evaluated in terms of ability to estimate GT of a given audio track and then it is tested on the string quartet database. Results suggest that the TKEO could improve accuracy of GT estimation. Proposed beat tracking system could be used for analysis of interpretation changes in string quartet music.
|
|
|
Nástroj pro simultánní přehrávání více interpretací jedné skladby
Švejcar, Michael ; Ištvánek, Matěj (oponent) ; Miklánek, Štěpán (vedoucí práce)
Cílem této bakalářské práce bylo vytvoření programu umožňujícího simultánní přehrávání více interpretací jedné skladby a plynulého přepínání mezi nimi. K těmto účelům byl použit App Designer v prostředí MATLAB, jenž je určen k vývoji aplikací s grafickým uživatelským rozhraním. Pro vývoj aplikace bylo klíčové zejména použití dostupných toolboxů spolu s algoritmy pro výpočet víceúrovňového dynamického borcení časové osy. Výsledný přehrávač IntSwitcher umožňuje uživateli načíst dvě nahrávky interpretací jedné skladby. Ze vstupních souborů jsou nejprve vypočteny chromagramy, které jednotlivé nahrávky charakterizují z hlediska tónového vývoje v čase. Následně je na chromagramy aplikována metoda víceúrovňového dynamického borcení časové osy, jejímž výstupem je optimální cesta. Jedná se o matici, ve které jsou k sobě přiřazeny hudebně korespondující vzorky načtených audio souborů s rozlišením 50 ms. Dle této závislosti je během přehrávání určována korespondující časová pozice aktuálně neaktivní stopy, společně s pozicí jejího posuvníku. V případě přepnutí přehrávané nahrávky tedy začne druhá stopa hrát ve stejné části skladby, i pokud se tato část nachází v rozdílných časech jednotlivých nahrávek. Výsledná aplikace se jeví jako užitečný nástroj ke studování rozdílů mezi různými interpretacemi stejného hudebního díla.
|
|
|
Rozpoznání hudebního slohu z orchestrální nahrávky za pomoci technik Music Information Retrieval
Jelínková, Jana ; Zvončák, Vojtěch (oponent) ; Kiska, Tomáš (vedoucí práce)
Pojem klasická hudba obsahuje, stejně jako žánry populární hudby, mnoho žánrových variant. Cílem práce je pomocí strojového učení rozlišit tyto žánrové varianty z orchestrálních nahrávek. Tato práce se zaměřuje na skladby z období od konce 16. století do začátku 20. století, jedná se tedy o baroko, klasicismus a romantismus. K identifikaci těchto tří hudebních slohů je využita metoda Music Information Retrieval, která spočívá v získávání parametrů z nahrávek a jejich evaluaci. Evaluované parametry jsou využity jako vstupní data pro klasifikátory. Klasifikace probíhá pomocí metod strojového učení, konkrétně se jedná o algoritmy kNN (K-Nearest Neighbor, v češtině k-nejbližší soused), LDA (Linear Discriminant Analysis, lineárně diskriminační analýza), GMM (Gaussian Mixture Models, Gaussovy smíšené modely) a SVM (Support Vector Machines, podpůrné vektory). V závěru práce je shrnuta dosažená úspěšnost jednotlivých klasifikačních algoritmů. Výsledky ukázaly, že značná odlišnost barokního slohu od zbylých dvou slohů, umožňuje jeho velmi přesnou klasifikaci. Naproti tomu klasicismus vykazuje velkou podobnost s romantismem a jeho identifikace proto dosahuje nižší úspěšnosti. Toto zjištění je ve shodě s předpokladem, který vychází z hudebně-teoretické charakteristiky slohů, která je popsána v první kapitole této práce.
|
|
|
Automatické tagování hudebních děl pomocí metod strojového učení
Semela, René ; Galáž, Zoltán (oponent) ; Kiska, Tomáš (vedoucí práce)
Systémy pro automatické tagování hudebních děl jsou jednou z mnoha výzev pro obor strojového učení, a to zejména z hlediska komplexnosti celé této problematiky. Praktické uplatnění mohou tyto systémy nalézat zejména v obsahové analýze hudebních děl nebo při třídění obsahu hudebních knihoven. Tato práce se zabývá návrhem, trénováním, testováním a evaluací architektur umělých neuronových sítí pro automatické tagování hudebních děl. V úvodu je pozornost věnována položení ucelených teoretických základů pro tuto problematiku. V praktické části je pak navrženo 8 architektur neuronových sítí (4 plně konvoluční a 4 konvolučně-rekurentní). Tyto architektury jsou následně natrénovány za pomoci MagnaTagATune Dataset a mel spektrogramu a následně je provedeno jejich testování a evaluace. Nejlepších výsledků zde dosahuje čtyřvrstvá konvolučně-rekurentní neuronová síť (CRNN4) s hodnotou ROC-AUC = 0,9046 ± 0,0016. Jako další krok praktické části je vytvořen kompletně nový Last.fm Dataset 2020, který je sestaven díky napojení na API služeb Last.fm a Spotify. Tento nový dataset čítá 100 tagů a 122877 skladeb. Nejúspěšnější architektury jsou na tomto novém datasetu natrénovány, otestovány a evaluovány, a je tak položena základní hranice hodnot ROC-AUC, kterých lze za pomoci tohoto datasetu dosáhnout. Nejlepších výsledků zde dosahuje šestivrstvá plně konvoluční neuronová síť (FCNN6) s hodnotou ROC-AUC = 0,8590 ± 0,0011. Na závěr celé práce je vytvořena jednoduchá aplikace pro otestování jednotlivých architektur neuronových sítí na uživatelem vloženém zvukovém souboru. Práce se svými výsledky vyrovnává světovým pracím na stejné téma a přináší několik nových poznatků a inovací. Z hlediska inovací je zejména dosaženo podstatného snížení komplexnosti jednotlivých architektur neuronových sítí v porovnání se světovými pracemi při zachování podobných výsledků.
|
|
|
Cover Song Identification using Music Harmony Features, Model and Complexity Analysis
Maršík, Ladislav ; Pokorný, Jaroslav (vedoucí práce) ; Ge, Mouzhi (oponent) ; Łukasik, Ewa (oponent)
Title: Identifikace cover verzí skladeb pomocí harmonických příznaků, mo- delu harmonie a harmonické složitosti Author: Ladislav Maršík Department: Department of Software Engineering Supervisor: Prof. RNDr. Jaroslav Pokorný, CSc., Department of Software Engineering Abstract: Analýza digitálnej hudby a jej efektívne vyhl'adávanie založené na príznakoch je populárnou témou v rámci odvetvia music information re- trieval (MIR). Každé hudobné dielo má svoju charakteristickú harmonickú štruktúru, ale jej analýza sa používa na vyhl'adávanie len zriedka. Pokial' aplikácia neporovnáva akordický priebeh skladby, môže sa stat' že nesprávne vyhlási dve skladby za rôzne, aj ked' sa v skutočnosti odlišujú len zmenou nástrojov alebo speváka. V tejto práci ukážeme viaceré možnosti ako využit' hudobnú harmóniu pre MIR, a to hlavne pre detekciu cover verzií skladieb. Najprv sa venujeme vytvoreniu modelu hudobnej harmónie na základe hu- dobnej teórie. Definujeme nové koncepty: harmonickú zložitost', akordické vzdialenosti a vzdialenosti medzi chroma vektormi. Ukážeme ako tieto kon- cepty využit' pre vyhl'adávanie, analýzu a porovnáme náš model s modernými modelmi hudobnej kognície. V d'alšej časti sa venujeme dôkladnému porov- naniu harmonických...
|
|
|
Optical Recognition of Handwritten Music Notation
Hajič, Jan ; Pecina, Pavel (vedoucí práce) ; Fujinaga, Ichiro (oponent) ; Černocký, Jan (oponent)
Rozpoznávání notopisu (Optical Music Recognition, OMR) je obor studující jak automaticky číst hudební notaci. Tato disertace prezentuje formou souboru publikovaných prací příspěvky k teorii, infrastruktuře a metodám OMR především pro ručně psanou notaci. Hlavními přínosy jsou (1) formální popis hudební notace pomocí notačního grafu (Music Notation Graph, MuNG), orientovaného grafu, ze kterého lze jednoznačně odvodit v notaci zakódovanou hudební sémantiku, (2) datová sada MUSCIMA++ hudebních rukopisů, které jsou anotovány pomocí MuNG, a lze ji tak využít pro trénování a evaluování libovolných systémů a podsystémů OMR, včetně extrakce hudební sémantiky a (3) systém rozpoznávání notopisu extrahující hudební sémantické informace z rukopisů, který používá strojové učení jak pro detekci notačních objektů, tak pro jejich usouvstažňování, a na základě takto automaticky vytvořené reprezentace pomocí MuNG deterministicky dopočítává sémantiku. Ačkoliv tento OMR systém stále dělá množství chyb, jedná se o první systém, který hudební rukopisy rozpoznává tak, že lze jeho výsledky využít na některé z úloh motivujících práci na OMR, a zpracovává libovolně komplikovanou notaci.
|
|
|
Rozpoznávání hudebního žánru za pomoci technik Music Information Retrieval
Zemánková, Šárka ; Zvončák, Vojtěch (oponent) ; Kiska, Tomáš (vedoucí práce)
Tato diplomová práce se zabývá rozpoznáváním hudebního žánru za pomoci technik Music Information Retrieval. Je zde stručně popsána podstata této oblasti výzkumu i její podobor zvaný Music Genre Recognition. Následující kapitola obsahuje výběr nejvhodnějších parametrů pro určení hudebního žánru. Dále jsou v této práci popsány metody strojového učení, využívané v této oblasti. Další kapitola se věnuje popisu databází nahrávek vytvořených pro výzkumy žánrové klasifikace. Následuje návrh a implementace vyhodnocovacího systému pro rozpoznávání hudebního žánru. V poslední části práce jsou popsány výsledky analýzy dílčích parametrů, závislost přesnosti žánrové klasifikace na množství využitých parametrů a diskutovány příčiny úspěšnosti zařazení jednotlivých žánrů.
|
host ::
RSS.