Show simple item record

Recognition of music style from orchestral recording using Music Information Retrieval techniques

dc.contributor.advisorKiska, Tomášcs
dc.contributor.authorJelínková, Janacs
dc.date.accessioned2020-06-19T06:57:13Z
dc.date.available2020-06-19T06:57:13Z
dc.date.created2020cs
dc.identifier.citationJELÍNKOVÁ, J. Rozpoznání hudebního slohu z orchestrální nahrávky za pomoci technik Music Information Retrieval [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.cs
dc.identifier.other126069cs
dc.identifier.urihttp://hdl.handle.net/11012/189407
dc.description.abstractPojem 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.cs
dc.description.abstractAs all genres of popular music, classical music consists of many different subgenres. The aim of this work is to recognize those subgenres from orchestral recordings. It is focused on the time period from the very end of 16th century to the beginning of 20th century, which means that Baroque era, Classical era and Romantic era are researched. The Music Information Retrieval (MIR) method was used to classify chosen subgenres. In the first phase of MIR method, parameters were extracted from musical recordings and were evaluated. Only the best parameters were used as input data for machine learning classifiers, to be specific: kNN (K-Nearest Neighbor), LDA (Linear Discriminant Analysis), GMM (Gaussian Mixture Models) and SVM (Support Vector Machines). In the final chapter, all the best results are summarized. According to the results, there is significant difference between the Baroque era and the other researched eras. This significant difference led to better identification of the Baroque era recordings. On the contrary, Classical era ended up to be relatively similar to Romantic era and therefore all classifiers had less success in identification of recordings from this era. The results are in line with music theory and characteristics of chosen musical eras.en
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjecthudební slohycs
dc.subjectbarokocs
dc.subjectklasicismuscs
dc.subjectromantismuscs
dc.subjectorchestrální nahrávkycs
dc.subjectMusic Information Retrievalcs
dc.subjectextrakce parametrůcs
dc.subjectminimální redundancecs
dc.subjectmaximální relevancecs
dc.subjectstrojové učenícs
dc.subjectk-nejbližší sousedcs
dc.subjectlineárně diskriminační analýzacs
dc.subjectGaussovy smíšené modelycs
dc.subjectpodpůrné vektorycs
dc.subjectSupport Vector Machinescs
dc.subjectGaussian Mixture Modelscs
dc.subjectLinear Discriminant Analysiscs
dc.subjectK-Nearest Neighborcs
dc.subjectWavelet Scatteringcs
dc.subjectError-Correcting Output Codescs
dc.subjecthistorical periods of musicen
dc.subjectBaroque eraen
dc.subjectClassical eraen
dc.subjectRomantic eraen
dc.subjectorchestral recordingsen
dc.subjectMusic Information Retrieval methoden
dc.subjectparameters extractionen
dc.subjectminimum Redundancy Maximum Relevance methoden
dc.subjectmachine learningen
dc.subjectK-Nearest Neighboren
dc.subjectLinear Discriminant Analysisen
dc.subjectGaussian Mixture Modelsen
dc.subjectSupport Vector Machineen
dc.subjectWavelet Scatteringen
dc.subjectError-Correcting Output Codesen
dc.titleRozpoznání hudebního slohu z orchestrální nahrávky za pomoci technik Music Information Retrievalcs
dc.title.alternativeRecognition of music style from orchestral recording using Music Information Retrieval techniquesen
dc.typeTextcs
dcterms.dateAccepted2020-06-18cs
dcterms.modified2020-06-19-06:26:04cs
thesis.disciplineAudio inženýrstvícs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
sync.item.dbid126069en
sync.item.dbtypeZPen
sync.item.insts2021.11.08 13:08:27en
sync.item.modts2021.11.08 12:23:16en
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
dc.contributor.refereeZvončák, Vojtěchcs
dc.description.markBcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
but.committeedoc. Ing. Kamil Říha, Ph.D. (předseda) doc. Ing. MgA. Mgr. Dan Dlouhý, Ph.D. (místopředseda) Mgr. Tomáš Staudek, Ph.D. (člen) PhDr. Aleš Dvořák (člen) Dr. Ing. Libor Husník (člen) Ing. Jaromír Mačák, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Otázky oponenta: - Ve své práci uvádíte, že vaše datová sada (600 skladeb) se skládá ze zkrácených nahrávek o délce 30s. Na základě jakých kritérií byly vybírány tyto zkrácené pasáže? - Odpověděla dostatečně. - Jak jste ve své práci předcházela přetrénování klasifikátorů? - Odpověděla dostatečně. Otázky komise: - Jak ovlivňuje úspěšnost klasifikace kvalita nahrávky? - Odpověděla dostatečně. - Jak jste pracovala s velkou dynamikou klasických skladeb? - Odpověděla dostatečně. - Jak jste hodnotila úspěšnost klasifikátoru? - Odpověděla dostatečně. - Použila v práci jste křížovou validaci? - Odpověděla dostatečně. Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.cs
but.resultpráce byla úspěšně obhájenacs
but.programAudio inženýrstvícs
but.jazykčeština (Czech)


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record