Διαχωρισμός μουσικών πηγών με χρήση νευρωνικών δικτύων
Η μουσική είναι αναπόσπαστο κομμάτι της ζωής, της κοινωνικότητας και της κοινωνικοποίησης των ανθρώπων. Υπάρχει παντού στην καθημερινότητά μας χωρίς πάντα να το αντιλαμβανόμαστε και πρόκειται για το πιο επιδραστικό ανθρώπινο δημιούργημα, αποτελώντας αντικείμενο μελέτης πολλών επιστημονικών τομέων....
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/25112 |
| id |
nemertes-10889-25112 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευρωνικά δίκτυα Μηχανική μάθηση Neural networks Machine learning |
| spellingShingle |
Νευρωνικά δίκτυα Μηχανική μάθηση Neural networks Machine learning Προκοπίου, Χριστίνα Διαχωρισμός μουσικών πηγών με χρήση νευρωνικών δικτύων |
| description |
Η μουσική είναι αναπόσπαστο κομμάτι της ζωής, της κοινωνικότητας και της κοινωνικοποίησης των ανθρώπων. Υπάρχει παντού στην καθημερινότητά μας χωρίς πάντα να το αντιλαμβανόμαστε και πρόκειται για το πιο επιδραστικό ανθρώπινο δημιούργημα, αποτελώντας αντικείμενο μελέτης πολλών επιστημονικών τομέων.
Ποιητικά θα μπορούσαμε να πούμε ότι βρίσκεται μέσα στου καθενός τον εγκέφαλο σε βάσεις δεδομένων με μυστήριο τρόπο στοιχειοθετημένες. Άλλοι την κατατάσουν με βάση το συναίσθημα που τους προκαλεί, άλλοι για το είδος της, άλλοι για τους δημιουργούς της κ.π.α. Η πληροφορία που αφορά και συνοδεύει την μουσική είναι άπειρη και η τεχνολογία αποσκοπεί στον να την προσεγγίσει, μέσα στην απόλυτη πολυπλοκότητά της, ως αποδομημένη και απλή.
Όλα αυτά αφορούν στον τομέα της Ανάκτησης Μουσικής Πληροφορίας (Music Information Retrieval), που είναι επιτακτικό συνεχώς να εξελίσσεται ώστε να μπορεί να διαχειριστεί ο τεράστιος όγκος δεδομένων που υπάρχει στο διαδίκτυο. Από την ανάπτυξή της επωφελείται όλη η μουσική βιομηχανία, το κοινό της, οι ακροατές, καθώς και οι μελετητές της, όπως οι καλλιτέχνες, οι δάσκαλοί μουσικής και οι μουσικολόγοι. Η Ανάκτηση Μουσικής Πληροφορίας ασχολείται με ένα ευρύ φάσμα προβλημάτων όπως ο διαχωρισμός των μουσικών πηγών, που είναι και το θέμα της παρούσας εργασίας.
Κατά τον διαχωρισμό των μουσικών πηγών, ένα κομμάτι το οποίο συνήθως έχει προκύψει από την μίξη και τον συνδυασμό μεμονωμένων ηχογραφημένων οργάνων-πηγών, υπάρχει η δυνατότητα να ανακτηθεί η κάθε πηγή μεμονωμένη. Πρόκειται για ένα πολύ απαιτητικό, δύσκολο και πολύπλευρο πρόβλημα, καθώς υπάρχει συχνοτική επικάλυψη ανάμεσα στα όργανα, και οι σχεδιαστές των τεχνικών διαχωρισμού, καλούνται συχνά να βρουν τρόπους να «μεταφράσουν» τα χαρακτηριστικά της σε διαχειρίσιμη μαθηματική πληροφορία. Έχουν προταθεί πολλές διαφορετικές κατηγορίες μεθόδων από την επιστημονική κοινότητα, λαμβάνοντας υπ’ όψην όλες τις δυσκολίες, δίνοντας όλο και περισσότερες λύσεις. Με την ραγδαία εξέλιξη της τεχνητής νοημοσύνης, έχουν τα αποτελέσματα έχουν βελτιστοποιηθεί στο μέγιστο.
Αφορά επομένως μια τεράστια επιστημονική και τεχνολογική επιτυχία, η οποία εκτοξεύει τα επίπεδα μελέτης της μουσικής και ανοίγει πολλούς δημιουργικούς δρόμους, νέες ευκαιρίες καριέρας και καλλιτεχνικής εξέλιξης. |
| author2 |
Prokopiou, Christina |
| author_facet |
Prokopiou, Christina Προκοπίου, Χριστίνα |
| author |
Προκοπίου, Χριστίνα |
| author_sort |
Προκοπίου, Χριστίνα |
| title |
Διαχωρισμός μουσικών πηγών με χρήση νευρωνικών δικτύων |
| title_short |
Διαχωρισμός μουσικών πηγών με χρήση νευρωνικών δικτύων |
| title_full |
Διαχωρισμός μουσικών πηγών με χρήση νευρωνικών δικτύων |
| title_fullStr |
Διαχωρισμός μουσικών πηγών με χρήση νευρωνικών δικτύων |
| title_full_unstemmed |
Διαχωρισμός μουσικών πηγών με χρήση νευρωνικών δικτύων |
| title_sort |
διαχωρισμός μουσικών πηγών με χρήση νευρωνικών δικτύων |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/25112 |
| work_keys_str_mv |
AT prokopiouchristina diachōrismosmousikōnpēgōnmechrēsēneurōnikōndiktyōn AT prokopiouchristina musicsourceseparationusingneuralnetworks |
| _version_ |
1771297237467398144 |
| spelling |
nemertes-10889-251122023-06-21T03:54:55Z Διαχωρισμός μουσικών πηγών με χρήση νευρωνικών δικτύων Music source separation using neural networks Προκοπίου, Χριστίνα Prokopiou, Christina Νευρωνικά δίκτυα Μηχανική μάθηση Neural networks Machine learning Η μουσική είναι αναπόσπαστο κομμάτι της ζωής, της κοινωνικότητας και της κοινωνικοποίησης των ανθρώπων. Υπάρχει παντού στην καθημερινότητά μας χωρίς πάντα να το αντιλαμβανόμαστε και πρόκειται για το πιο επιδραστικό ανθρώπινο δημιούργημα, αποτελώντας αντικείμενο μελέτης πολλών επιστημονικών τομέων. Ποιητικά θα μπορούσαμε να πούμε ότι βρίσκεται μέσα στου καθενός τον εγκέφαλο σε βάσεις δεδομένων με μυστήριο τρόπο στοιχειοθετημένες. Άλλοι την κατατάσουν με βάση το συναίσθημα που τους προκαλεί, άλλοι για το είδος της, άλλοι για τους δημιουργούς της κ.π.α. Η πληροφορία που αφορά και συνοδεύει την μουσική είναι άπειρη και η τεχνολογία αποσκοπεί στον να την προσεγγίσει, μέσα στην απόλυτη πολυπλοκότητά της, ως αποδομημένη και απλή. Όλα αυτά αφορούν στον τομέα της Ανάκτησης Μουσικής Πληροφορίας (Music Information Retrieval), που είναι επιτακτικό συνεχώς να εξελίσσεται ώστε να μπορεί να διαχειριστεί ο τεράστιος όγκος δεδομένων που υπάρχει στο διαδίκτυο. Από την ανάπτυξή της επωφελείται όλη η μουσική βιομηχανία, το κοινό της, οι ακροατές, καθώς και οι μελετητές της, όπως οι καλλιτέχνες, οι δάσκαλοί μουσικής και οι μουσικολόγοι. Η Ανάκτηση Μουσικής Πληροφορίας ασχολείται με ένα ευρύ φάσμα προβλημάτων όπως ο διαχωρισμός των μουσικών πηγών, που είναι και το θέμα της παρούσας εργασίας. Κατά τον διαχωρισμό των μουσικών πηγών, ένα κομμάτι το οποίο συνήθως έχει προκύψει από την μίξη και τον συνδυασμό μεμονωμένων ηχογραφημένων οργάνων-πηγών, υπάρχει η δυνατότητα να ανακτηθεί η κάθε πηγή μεμονωμένη. Πρόκειται για ένα πολύ απαιτητικό, δύσκολο και πολύπλευρο πρόβλημα, καθώς υπάρχει συχνοτική επικάλυψη ανάμεσα στα όργανα, και οι σχεδιαστές των τεχνικών διαχωρισμού, καλούνται συχνά να βρουν τρόπους να «μεταφράσουν» τα χαρακτηριστικά της σε διαχειρίσιμη μαθηματική πληροφορία. Έχουν προταθεί πολλές διαφορετικές κατηγορίες μεθόδων από την επιστημονική κοινότητα, λαμβάνοντας υπ’ όψην όλες τις δυσκολίες, δίνοντας όλο και περισσότερες λύσεις. Με την ραγδαία εξέλιξη της τεχνητής νοημοσύνης, έχουν τα αποτελέσματα έχουν βελτιστοποιηθεί στο μέγιστο. Αφορά επομένως μια τεράστια επιστημονική και τεχνολογική επιτυχία, η οποία εκτοξεύει τα επίπεδα μελέτης της μουσικής και ανοίγει πολλούς δημιουργικούς δρόμους, νέες ευκαιρίες καριέρας και καλλιτεχνικής εξέλιξης. Music is an inseparable part of life, society, and the socialization of people.It is the most significant creation of humans and is the focus of numerous scientific areas' research. It is present everywhere in our daily lives, frequently without our awareness. Poetically speaking, we may say that each person's brain contains mysteriously arranged databases of music. Some categorize it according to the feelings it arouses, while others do it according to its genre, producers, etc. Technology seeks to approach music's limitless information in all of its complexity, both deconstructed and reduced. This is all related to the topic of music information retrieval (MIR), which is continually developing to handle the enormous amount of data that is available online. Its growth benefits the entire music industry, its listeners, audience, and scholars including musicians, music educators, and musicologists. The separation of musical sources, which is the subject of this thesis is one of several issues that Music Information Retrieval deals with. During the separation of musical sources, a piece that usually results from the mixture and combination of individual recorded instruments/sources, there is the possibility of retrieving each source individually. Due to frequency overlap amongst instruments, this is a demanding, difficult, and complex challenge. The creators of separation techniques frequently look for methods to "translate" these features into usable mathematical data. The scientific community has provided a wide range of approach categories, taking into account all the challenges and offering an increasing number of answers. The outcomes have been maximally optimized given the quick development of artificial intelligence. There is a chance to retrieve each source separately when musical sources are separated from a work that typically comes from the blending and combining of various recorded instruments or sources. Due to frequency overlap amongst instruments, this is a demanding, difficult, and complex challenge. The creators of separation techniques frequently look for methods to "translate" these features into usable mathematical data. The scientific community has provided a wide range of approach categories, taking into consideration all the challenges, and offering an increasing number of answers. The outcomes have been maximally optimized given the quick development of artificial intelligence. Therefore, it is a fantastic scientific and technical accomplishment that raises the bar for music education and creates a wealth of new career opportunities. 2023-06-20T05:17:27Z 2023-06-20T05:17:27Z 2023-06-16 https://hdl.handle.net/10889/25112 el CC0 1.0 Universal http://creativecommons.org/publicdomain/zero/1.0/ application/pdf |
