Нейронные сети в задаче жанровой классификации музыкальных композиций
(Стр. 135-150)
Подробнее об авторах
Беленький Михаил Александрович
студент, факультет информационных технологий и анализа больших данных
Финансовый университет при Правительстве Российской Федерации
г. Москва, Российская Федерация Гринева Наталья Владимировна кандидат экономических наук, доцент; доцент, кафедра анализа данных и машинного обучения; Финансовый университет при Правительстве Российской Федерации; г. Москва, Российская Федерация
Финансовый университет при Правительстве Российской Федерации
г. Москва, Российская Федерация Гринева Наталья Владимировна кандидат экономических наук, доцент; доцент, кафедра анализа данных и машинного обучения; Финансовый университет при Правительстве Российской Федерации; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
В работе исследовано применение нейронных сетей в задаче классификации аудиосигналов по десяти различным жанрам. Рассмотрена особенность обработки звукового сигнала в цифровой среде, выявлена связь между преобразованием Фурье и спектрограммами, рассмотрены характеристики аудиосигналов. Обучение нейронных сетей проводилось на основе датасета GTZAN, содержащего 1000 композиций. На основе датасета было сформировано 4 сравниваемых между собой набора данных, на каждом из них оценена работа трех архитектур нейронной сетей: сверточной, рекуррентной нейронных сетей, многослойному перцептрону. Практическая значимость работы заключается в возможности формирования музыкальных рекомендаций, в организации и структурировании музыки. Цель работы – готовый классификатор, который с высокой точностью мог бы определять вероятность отношения композиции к одному из десяти жанров.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Беленький М.А., Гринева Н.В. Нейронные сети в задаче жанровой классификации музыкальных композиций // Computational Nanotechnology. 2024. Т. 11. № 1. С. 135-150. DOI: 10.33693/2313-223X-2024-11-1-135-150. EDN: EIJGDK
Список литературы:
Silla C.N., Koerich A.L., Kaestner C.A.A. A feature selection approach for automatic music genre classification. International Journal of Semantic Computing. 2009. No. 03. Pp. 183–208.
Geoffroy P. A large set of audio features for sound description (similarity and classification). In: CUIDADO Project. 2004.
Silla C., Koerich A., Kaestner C. A machine learning approach to automatic music genre classification». Journal of the Brazilian Computer Society. 2008. Vol. 14. No. 3.
Tzanetakis G., Cook P. MARSYAS: A framework for audio analysis. Organised Sound. 2000. No. 4 (3). Pp. 169–175.
Tzanetakis G., Essl G., Cook P. Automatic musical genre classification of audio signals. In: Proc. Int. Symp. Music Information Retrieval (ISMIR). Oct. 2001.
Tzanetakis G., Cook P. Musical genre classification of audio signals. IEEE Transactions on Speech and Audio Processing. 2002. Vol. 10. No. 5. Pp. 293–302.
Choi K., Fazekas G., Sandler M. Automatic tagging using deep convolutional neural networks. In: Intl. Society for Music Information Retrieval Conf. (ISMIR). 2016.
Choi K., Fazekas G., Sandler M., Cho K. Convolutional recurrent neural networks for music classification. 2016.
Rafi Q.G., Noman M., Prodhan S.Z. et al. Comparative analysis of three improved deep learning architectures for music genre classification. International Journal of Information Technology and Computer Science. 2021. No. 13. Pp. 1–14.
Van den Oord A., Dieleman S., Schrauwen B. Deep content-based music recommendation. In: Advances in Neural Information Processing Systems. 2013. Pp. 2643–2651.
Van den Oord A., Dieleman S., Schrauwen B. Transfer learning by supervised pre-training for audio-based music classification. In: Conference of the International Society for Music Information Retrieval, (ISMIR 2014). 2014.
Vaibhavi M., Krishna P.R. Music genre classification using neural networks with data augmentation. 2021.
Crème M., Burlin C., Lenain R. Music genre classification. Stanford University, December 15, 2016.
Geoffroy P. A large set of audio features for sound description (similarity and classification). In: CUIDADO Project. 2004.
Silla C., Koerich A., Kaestner C. A machine learning approach to automatic music genre classification». Journal of the Brazilian Computer Society. 2008. Vol. 14. No. 3.
Tzanetakis G., Cook P. MARSYAS: A framework for audio analysis. Organised Sound. 2000. No. 4 (3). Pp. 169–175.
Tzanetakis G., Essl G., Cook P. Automatic musical genre classification of audio signals. In: Proc. Int. Symp. Music Information Retrieval (ISMIR). Oct. 2001.
Tzanetakis G., Cook P. Musical genre classification of audio signals. IEEE Transactions on Speech and Audio Processing. 2002. Vol. 10. No. 5. Pp. 293–302.
Choi K., Fazekas G., Sandler M. Automatic tagging using deep convolutional neural networks. In: Intl. Society for Music Information Retrieval Conf. (ISMIR). 2016.
Choi K., Fazekas G., Sandler M., Cho K. Convolutional recurrent neural networks for music classification. 2016.
Rafi Q.G., Noman M., Prodhan S.Z. et al. Comparative analysis of three improved deep learning architectures for music genre classification. International Journal of Information Technology and Computer Science. 2021. No. 13. Pp. 1–14.
Van den Oord A., Dieleman S., Schrauwen B. Deep content-based music recommendation. In: Advances in Neural Information Processing Systems. 2013. Pp. 2643–2651.
Van den Oord A., Dieleman S., Schrauwen B. Transfer learning by supervised pre-training for audio-based music classification. In: Conference of the International Society for Music Information Retrieval, (ISMIR 2014). 2014.
Vaibhavi M., Krishna P.R. Music genre classification using neural networks with data augmentation. 2021.
Crème M., Burlin C., Lenain R. Music genre classification. Stanford University, December 15, 2016.
Ключевые слова:
аудиосигнал, мел-спектрограмма, спектр, преобразование Фурье, многослойный перцептрон (MLP), сверточная нейронная сеть (CNN), задача жанровой классификации.
Статьи по теме
