20.500.12556/RUL-185027 Vpliv taktne normalizacije na klasifikacijo glasbenih zvrsti The Effect of Bar Normalization on Music Genre Classification Samodejna klasifikacija glasbenih zvrsti zvočne posnetke običajno razdeli na okna fiksne dolžine, ki ne upoštevajo glasbene strukture, zato enako dolga okna pri različnih tempih zajamejo različno količino glasbene vsebine. Magistrsko delo preverja, ali klasifikacijo izboljša taktna normalizacija. Pri njej se posnetek razdeli na takte na podlagi samodejno zaznanih in ročno potrjenih dob, vsak takt pa se preslika v mel-spektrogram fiksne velikosti, s čimer postane predstavitev od tempa neodvisna. Taktna normalizacija je primerjana s časovno normalizacijo na zbirki GTZAN s šestimi arhitekturami nevronskih mrež, od preproste konvolucijske mreže do modelov, prednaučenih na zbirkah ImageNet in AudioSet. Vrednotenje poteka na ročno validirani podmnožici zbirke s petkratno navzkrižno validacijo, pri kateri so vsi posnetki istega izvajalca v isti množici, kar prepreči uhajanje informacij med učenjem in testiranjem. Rezultati ne pokažejo statistično značilne razlike v točnosti med taktno in časovno normalizacijo pri nobeni arhitekturi. Enak sklep velja na pridržani testni množici. Najvišjo točnost, približno 80 %, doseže na zvočni domeni prednaučena konvolucijska mreža CNN14. Osrednji prispevek dela je neposredna primerjava obeh predstavitev pod protokolom brez uhajanja informacij. Ugotovitev, da nestrogo vrednotenje na majhni zbirki rezultate izkrivi, potrjuje znana opozorila o zbirki GTZAN. Automatic music genre classification typically operates on mel spectrograms computed over fixed-length time windows, a representation that ignores musical structure and varies with tempo. This thesis examines whether bar-normalized, tempo-independent mel spectrograms improve genre classification compared with the standard time-based representation. Recordings are segmented into musical bars (beats are detected automatically and verified manually), each bar is mapped to a mel spectrogram of fixed size, and beat-offset augmentation is introduced to avoid the need for downbeat detection. The comparison covers six architectures, from a lightweight convolutional network to ImageNet- and AudioSet-pretrained models, including the Audio Spectrogram Transformer and CNN14, on a manually validated, artist-disjoint subset of GTZAN with artist-grouped five-fold cross-validation. On these leakage-free data, bar normalization shows no statistically significant accuracy difference from the time baseline on any architecture. The same holds on a held-out test split, and an apparent reduction in cross-fold variance proves to be an artefact of window sampling in the baseline. The strongest model is the audio-pretrained convolutional network CNN14, reaching approximately 80 % accuracy. The main contribution is the direct comparison of the two representations under a leakage-free protocol. The finding that lax evaluation distorts results on a small dataset corroborates known caveats about GTZAN. klasifikacija glasbe mel-spektrogram taktna normalizacija detekcija dob konvolucijske nevronske mreže GTZAN music classification mel spectrogram bar normalization beat detection convolutional neural networks GTZAN true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-07-21 10:30:01 2026-07-21 10:30:14 2026-07-30 10:09:51 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 39069 286422787 Bajec_Rok_-_Vpliv_taktne_normalizacije_na_klasifikacijo_glasbenih_zvrsti.pdf Bajec_Rok_-_Vpliv_taktne_normalizacije_na_klasifikacijo_glasbenih_zvrsti.pdf 1 FECF873C962DB643D46E4BA9DBDB4F14 cce67b2bd4251fcc6568a57733466dc07df5bfc3959cacb147ed2f7e42aca5d0 2735ad35-84de-11f1-9b0d-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=243042 Fakulteta za računalništvo in informatiko 0 0 0