|
| |
|
|
Controlled Music Generation with Deep Learning
Židek, Marek ; Hajič, Jan (vedoucí práce) ; Matzner, Filip (oponent)
Generování hudby je jedna z nejtežších úloh pro umělou inteligenci. Přístupy založené na strojovém učení již dokázaly přesvědčivě napodobovat skladatelskou práci na kratších hudebních úsecích, nicméně většina současných přístupů nedokáže vytvořit delší koherentní skladby. Tato práce chce ukázat, jak můžeme ovládat modely hlubokého učení z vnějšku, abychom docílili dlouhodobé koherence vygenerovaných skladeb s více hlasy. Pracujeme s klasickou hudbou s instrumentací od klavíru, přes smyčcový kvartet až po symfonické skladby. Ovladatelnost generovacího procesu spočívá ve využívaní hudební formy, která je v abstraktním slova smyslu obecným popisem pro podobnosti a nepodobnosti hudebních pasáží a jejich rozložení ve skladbě. Pro dosáhnutí této ovladatelnosti, (1) navrhujeme pseudometriku pro porovnávání hudení podobností s pomocí již existujících metod, (2) extrahujeme hudbení formu z trénovacích dat pomocí shlukovacího algoritmu nad podobnostními hodnotami, (3) trénujeme tři modely, které generují podobné, nepodobné a lokálně koherentní hudební fragmenty, a (4) navrhujeme způsob, jak využívat extrahované hudební formy společně se třemi modely pro generování delších koherentních skladeb z hudebních fragmentů. Ukazujeme, jak si v generování hudebních fragmentů vedou modely "transformer", když jim předkládáme...
|
|
|
Generování polyfonní hudby pomocí neurových sítí
Židek, Marek ; Hajič, Jan (vedoucí práce) ; Maršík, Ladislav (oponent)
Cílem této práce je prozkoumat nové možnosti v generovaní unikátních polyfonních skladeb s použitím neuronových sítí. Generovaní hudby, ať už pomocí zvukových vln nebo diskrétních reprezentací je velmi zajimvé a v posledních letech zkoumané téma. Tato práce používá jako trénovací data klasickou polyfonní hudbu reprezentovanou ve formátu midi. Nejdříve v práci popíšeme problém, předvedeme relevantní architektury neuronových sítí a poté vysvětlíme naše nápady, ze kterých jeden, a to náš experiment se třemi verzemi přidávání "skip-connections" do modelu LSTM pro generaci hudby, považujeme za kvalitní příbytek do tohoto odvětví. U podobných prací byly "skip-connections" úspěšně zkoumány hlavně pro problémy klasifikace, nicméně naše výsledky ukazují slušné vyledky pro generaci hudby (např. 47% našich respondentů považovalo naše generované vzorky za realné). Kromě standartní automatizované evaluace na testovacích datech, která je pro generování hudby hůře uchopitelná, je v práci provedena velmi komplexní evaluace pomocí dotazníků. Tato evaluace byla navržena ne pouze pro předvedení výsledků naší práce, ale také pro odhalení zajimavých souvislostí o očekávání, předsudků a charakteristik respondentů. Toto považujeme za hodnotný zdroj informací pro budoucí práce o automatickém generování hudby.
|
|
| |
host ::
RSS.