Υπο-συνθήκη αρχιτεκτονικές μηχανικής μάθησης για αρμονική και ρυθμική σύνθεση μουσικής

Περίληψη

Ο τομέας της Αλγοριθμικής Σύνθεσης Μουσικής (AMC) ασχολείται με την δημιουργία ενός καθορισμένου συστήματος που έχει ως σκοπό την αυτόματη σύνθεση μουσικής. Θεωρείται, μια από τις πιο δημοφιλείς εφαρμογές του ευρύτερου πεδίου της Ανάκτησης Πληροφορίας από Μουσική (MIR) με αμέτρητες δημοσιεύσεις τα τελευταία χρόνια. Η παρούσα διατριβή διαπραγματεύεται την δημιουργία καινοτόμων AMC αρχιτεκτονικών για αρμονική και ρυθμική σύνθεση μουσικής. Επιπροσθέτως, συνεισφέρει έμμεσα και σε άλλες σχετικές MIR εφαρμογές όπως στην δημιουργία συνόλων μουσικών δεδομένων (datasets) για χρήση στην MIR κοινότητα, και ανάπτυξη αλγορίθμων για διαχωρισμό φωνών σε συμβολικά δεδομένα (π.χ. MIDI αρχεία). Συνολικά τα κυριότερα επιτεύγματα και συνεισφορές της διατριβής συνοψίζονται ως εξής: - Την δημιουργία του πρώτου dataset που περιέχει Ελληνική παραδοσιακή και σύγχρονη μουσική με την ονομασία Greek Music Dataset (GMD). Συγκεκριμένα πρόκειται για μια συλλογή από 1400 κομμάτια για τα οποία προσφέρονται: (α) προ-υπ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Algorithmic Music Composition (AMC) deals with the creation of a rigid, well-defined system for the process of composing music. It is considered as one of the most popular applications of Music Information Retrieval (MIR) research field with countless approaches over the past years. This dissertation deals with the developing of innovating AMC architectures, specifically for harmonic and rhythm generation. Besides, it contributes indirectly to related MIR applications such as with the creation of a dataset and developing a voice separation algorithm in the symbolic domain. Specifically, the most significant contributions of this thesis can be summarised as follows:- Creation of the first symbolic dataset containing Greek traditional and popular music called the Greek Music Dataset (GMD); a collection of 1400 Greek tracks which offers: pre-computed audio, lyrics & symbolic features for immediate use in MIR tasks, manually annotated labels pertaining to mood & genre styles of music, gene ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/47656
ND
47656
Εναλλακτικός τίτλος
Conditional machine learning architectures for harmonic and rythm music generation
Συγγραφέας
Μακρής, Δημοσθένης του Αθανάσιος
Ημερομηνία
2020
Ίδρυμα
Ιόνιο Πανεπιστήμιο. Σχολή Επιστήμης της Πληροφορίας και Πληροφορικής. Τμήμα Πληροφορικής
Εξεταστική επιτροπή
Κερμανίδου Κάτια - Λήδα
Καμπουρόπουλος Αιμίλιος
Φλώρος Ανδρέας
Ζάννος Ιωάννης
Καρύδης Ιωάννης
Πικράκης Άγγελος
Κατσούρος Βασίλειος
Επιστημονικό πεδίο
Φυσικές Επιστήμες
Επιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική
Λέξεις-κλειδιά
Μηχανική μάθηση; Αυτόματη σύνθεση μουσικής; Συμβολικά μουσικά δεδομένα; Σύστημα αυτόματης εναρμόνισης; Αυτόματη ρυθμική σύνθεση; Αλγόριθμοι βαθείας μάθησης; Διαχωρισμός μουσικών φωνών; Κίνηση μελωδικών φωνών
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
xxiv, 151 σ., εικ., πιν., σχημ., γραφ.
Ειδικοί όροι χρήσης/διάθεσης
Το έργο παρέχεται υπό τους όρους της δημόσιας άδειας του νομικού προσώπου Creative Commons Corporation:
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)