Uporaba metod strojnega učenja za samodejno razpoznavanje akordov v glasbi

Škerl, Jaka (avtor), Dobrišek, Simon (mentor)

V diplomski nalogi je obravnavana uporaba metod strojnega učenja za razpoznavanje glasbenih akordov iz zvočnih signalov. Osredotoča se na razvoj in uporabo konvolucijskih nevronskih omrežij (CNN) in metode podpornih vektorjev (SVM) za analizo in klasifikacijo akordov. Problem razpoznavanja akordov je predstavljen v kontekstu obdelave zvočnih signalov in luščenja značilk, kot so spektrogrami in kromagrami. V nalogi so podrobno predstavljene arhitekture CNN, ki so bile uporabljene za razpoznavanje vzorcev v spektrogramih in metode SVM, ki so bile prilagojene za delo z zvočnimi značilkami. Primerjava učinkovitosti pristopov je izvedena na podlagi eksperimentov z različnimi konfiguracijami in parametri. Rezultati kažejo, da CNN modeli zagotavljajo visoko stopnjo natančnosti pri razpoznavanju akordov, medtem ko SVM ponujajo hitrejšo izvedbo z nekoliko nižjo natančnostjo. Analiza rezultatov razkriva prednosti in slabosti posameznih pristopov ter ponuja vpogled v možnosti nadaljnjega razvoja v smeri izboljšanja hitrosti in natančnosti. Ključni zaključki vključujejo potrditev, da je kombinacija strojnega učenja in znanja iz teorije glasbe učinkovita pri razpoznavanju akordov in da je za nadaljnji napredek na tem področju ključnega pomena nadaljnje raziskovanje in integracija naprednejših metod strojnega učenja.

• Jezik: Slovenski jezik
• Ključne besede: strojno učenje, razpoznavanje akordov, konvolucijska nevronska omrežja, metoda podpornih vektorjev, obdelava zvočnih signalov, spektrogram, kromagram
• Vrsta gradiva: Diplomsko delo/naloga
• Organizacija: FE - Fakulteta za elektrotehniko
• Leto izida: 2024
• PID: 20.500.12556/RUL-161599
• Datum objave v RUL: 12.09.2024

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Using Machine Learning Methods for Automatic Chord Recognition in Music

Izvleček

The thesis addresses the use of machine learning methods for recognizing musical chords from audio signals. It focuses on the development and implementation of Convolutional Neural Networks (CNN) and Support Vector Machines (SVM) for analyzing and classifying chords. The problem of chord recognition is presented in the context of audio signal processing and feature extraction, such as spectrograms and chromagrams. The thesis provides a detailed presentation of the CNN architectures used for pattern recognition in spectrograms and the SVM methods adapted to work with audio features. The effectiveness of these approaches is compared based on experiments with different configurations and parameters. The results show that CNN models provide a high level of accuracy in chord recognition, while SVMs offer faster execution with slightly lower accuracy. The analysis of the results reveals the advantages and disadvantages of each approach and provides insight into possibilities for further development aimed at improving speed and accuracy. Key conclusions include the confirmation that the combination of machine learning and knowledge from music theory is effective in chord recognition, and that further progress in this field requires ongoing research and the integration of advanced machine learning methods.

• Ključne besede: machine learning, chord recognition, convolutional neural networks, support vector machines, audio signal processing, spectrogram, chromagram