Modelos de Deep Learning para Estimativa de Tempo em Músicas - Sorbonne Université Access content directly
Reports (Research Report) Year : 2020

Modelos de Deep Learning para Estimativa de Tempo em Músicas

Abstract

This paper proposes the training and evaluation of 2 neural network models (1 CNN and 1 B-RNN, convolution and recurrent-based) which perform the tempo estimation of musical pieces. The first model implementation comes from its original article, while the second model was implemented in this paper based on the first one. We have designed and constructed an extensive dataset (12.550 samples in total) for conducting our comparative quantitative and qualitative evaluation. The 2 trained models’ performances are also compared to one state of the art model. The paper reports about results and analyzing them, lessons learned and future prospects.
Este artigo propõe o treinamento e avaliação de 2 modelos de redes neurais (1 CNN e 1 B-RNN) capazes de estimar o tempo em bpm de uma peça musical. A implementação do primeiro modelo provém de seu artigo original, enquanto o segundo modelo foi implementado neste artigo com base no primeiro. Foi planejado e construído um dataset extensivo (12.550 peças no total) para conduzir uma avaliação comparativa quantitativa e qualitativa. As performances dos 2 modelos são comparadas também com a de um modelo estado da arte. Esse artigo apresenta resultados e análises destes, pontos observados, aprendidos e ideias para futuras pesquisas.
Fichier principal
Vignette du fichier
10233-50656-1-PB.pdf (308.76 Ko) Télécharger le fichier
Origin Files produced by the author(s)
Loading...

Dates and versions

hal-02948673 , version 1 (24-09-2020)

Identifiers

  • HAL Id : hal-02948673 , version 1

Cite

Mila Soares de Oliveira de Souza, Pedro Nuno de Souza Moura, Jean-Pierre Briot. Modelos de Deep Learning para Estimativa de Tempo em Músicas. [Research Report] 0006/2020, Universidade Federal do Estado do Rio de Janeiro (UNIRIO); Relatórios Técnicos do Departamento de Informática Aplicada da UNIRIO. 2020. ⟨hal-02948673⟩
123 View
70 Download

Share

Gmail Mastodon Facebook X LinkedIn More