論文の概要: Musical Prosody-Driven Emotion Classification: Interpreting Vocalists Portrayal of Emotions Through Machine Learning

• arxiv url: http://arxiv.org/abs/2106.02556v1
• Date: Fri, 4 Jun 2021 15:40:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 14:46:19.204579
• Title: Musical Prosody-Driven Emotion Classification: Interpreting Vocalists Portrayal of Emotions Through Machine Learning
• Title（参考訳）: 音楽の韻律的感情分類--機械学習による感情表現の解釈
• Authors: Farris Nicholas, Model Brian, Savery Richard, Weinberg Gil
• Abstract要約: 音楽の韻律の役割は、いくつかの研究が韻律と感情の強い結びつきを示しているにもかかわらず、まだ解明されていない。 本研究では,従来の機械学習アルゴリズムの入力を音楽韻律の特徴に限定する。 我々は,ボーカリストの個人データ収集手法と,アーティスト自身による個人的根拠的真理ラベル付け手法を利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of classifying emotions within a musical track has received widespread attention within the Music Information Retrieval (MIR) community. Music emotion recognition has traditionally relied on the use of acoustic features, verbal features, and metadata-based filtering. The role of musical prosody remains under-explored despite several studies demonstrating a strong connection between prosody and emotion. In this study, we restrict the input of traditional machine learning algorithms to the features of musical prosody. Furthermore, our proposed approach builds upon the prior by classifying emotions under an expanded emotional taxonomy, using the Geneva Wheel of Emotion. We utilize a methodology for individual data collection from vocalists, and personal ground truth labeling by the artist themselves. We found that traditional machine learning algorithms when limited to the features of musical prosody (1) achieve high accuracies for a single singer, (2) maintain high accuracy when the dataset is expanded to multiple singers, and (3) achieve high accuracies when trained on a reduced subset of the total features.
• Abstract（参考訳）: 音楽トラック内の感情を分類する作業は、音楽情報検索(MIR)コミュニティ内で広く注目を集めている。 音楽の感情認識は、伝統的に音響的特徴、言語的特徴、メタデータに基づくフィルタリングの使用に依存している。 音楽の韻律の役割は、韻律と感情の間に強い関係があることを示すいくつかの研究にもかかわらず、未検討のままである。 本研究では,従来の機械学習アルゴリズムの入力を音楽韻律の特徴に限定する。 さらに,本提案手法は,感情の遺伝子輪を用いて,感情の分類を拡張した感情分類法によって先行する手法である。 我々は,ボーカリストの個人データ収集手法と,アーティスト自身による個人的根拠的真理ラベル付け手法を利用する。 その結果,楽曲の韻律的特徴に限定した従来の機械学習アルゴリズムは,(1)シングルシンガーに高い確率を与え,(2)データセットを複数のシンガーに拡張した場合に高い精度を保ち,(3)総特徴の少ないサブセットで訓練した場合に高い精度を得られることがわかった。

関連論文リスト

• A Survey of Foundation Models for Music Understanding [60.83532699497597]
  この研究は、AI技術と音楽理解の交差に関する初期のレビューの1つである。 音楽理解能力に関して,近年の大規模音楽基盤モデルについて検討,分析,検証を行った。
  論文  参考訳（メタデータ） (2024-09-15T03:34:14Z)
• Towards Explainable and Interpretable Musical Difficulty Estimation: A Parameter-efficient Approach [49.2787113554916]
  音楽コレクションの整理には曲の難易度を推定することが重要である。 シンボリックな音楽表現の難易度推定には説明可能な記述子を用いる。 ピアノレパートリーで評価したアプローチは,平均2乗誤差(MSE)が1.7。
  論文  参考訳（メタデータ） (2024-08-01T11:23:42Z)
• Emotion Manipulation Through Music -- A Deep Learning Interactive Visual Approach [0.0]
  我々は,AIツールを用いて歌の感情的内容を操作する新しい方法を提案する。 私たちのゴールは、元のメロディをできるだけそのままにして、望ましい感情を達成することです。 この研究は、オンデマンドのカスタム音楽生成、既存の作品の自動リミックス、感情の進行に合わせて調整された音楽プレイリストに寄与する可能性がある。
  論文  参考訳（メタデータ） (2024-06-12T20:12:29Z)
• Exploring and Applying Audio-Based Sentiment Analysis in Music [0.0]
  音楽的感情を解釈する計算モデルの能力は、ほとんど解明されていない。 本研究は,(1)音楽クリップの感情を時間とともに予測し,(2)時系列の次の感情値を決定し,シームレスな遷移を保証することを目的とする。
  論文  参考訳（メタデータ） (2024-02-22T22:34:06Z)
• MusER: Musical Element-Based Regularization for Generating Symbolic Music with Emotion [16.658813060879293]
  本稿では,音楽的要素に基づく正則化を潜在空間に導入し,異なる要素をアンタングルする手法を提案する。 潜在空間を可視化することにより、 MusER は非絡み合いで解釈可能な潜在空間が得られると結論付ける。 実験の結果,MusERは感情音楽を生成する最先端のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-16T03:50:13Z)
• REMAST: Real-time Emotion-based Music Arrangement with Soft Transition [29.34094293561448]
  感情的な介入媒体としての音楽は、音楽療法、ゲーム、映画などのシナリオに重要な応用がある。 感情のリアルタイム適合とスムーズな遷移を同時に達成するためのREMASTを提案する。 評価結果によると,REMASTは客観的および主観的指標において最先端の手法を超越している。
  論文  参考訳（メタデータ） (2023-05-14T00:09:48Z)
• Affective Idiosyncratic Responses to Music [63.969810774018775]
  本研究では,中国社会音楽プラットフォーム上での403万以上のリスナーコメントから,音楽に対する感情応答を測定する手法を開発した。 我々は,聴取者の感情反応を促進する音楽的,歌詞的,文脈的,人口動態的,精神的健康的効果をテストした。
  論文  参考訳（メタデータ） (2022-10-17T19:57:46Z)
• Song Emotion Recognition: a Performance Comparison Between Audio Features and Artificial Neural Networks [0.0]
  この問題に対処するために使用される最も一般的な特徴とモデルについて検討し、カペラの歌で感情を認識するのに適したものを明らかにする。 本稿では,この課題に対処するために,近年の出版物で用いられている最も一般的な特徴とモデルについて検討し,カペラ歌の感情認識に最も適しているものについて述べる。
  論文  参考訳（メタデータ） (2022-09-24T16:13:25Z)
• Contrastive Learning with Positive-Negative Frame Mask for Music Representation [91.44187939465948]
  本稿では,PEMRと略記したコントラッシブラーニングフレームワークに基づく,音楽表現のための正負負のフレームマスクを提案する。 我々は,同じ音楽からサンプリングした自己増強陽性/陰性の両方に対応するために,新しいコントラスト学習目標を考案した。
  論文  参考訳（メタデータ） (2022-03-17T07:11:42Z)
• A Novel Multi-Task Learning Method for Symbolic Music Emotion Recognition [76.65908232134203]
  Symbolic Music Emotion Recognition(SMER)は、MIDIやMusicXMLなどのシンボリックデータから音楽の感情を予測すること。 本稿では、感情認識タスクを他の感情関連補助タスクに組み込む、SMERのためのシンプルなマルチタスクフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-15T07:45:10Z)
• Music Gesture for Visual Sound Separation [121.36275456396075]
  ミュージック・ジェスチャ(Music Gesture)は、音楽演奏時の演奏者の身体と指の動きを明示的にモデル化するキーポイントに基づく構造化表現である。 まず、コンテキスト対応グラフネットワークを用いて、視覚的コンテキストと身体力学を統合し、その後、身体の動きと対応する音声信号とを関連付けるために、音声-視覚融合モデルを適用する。
  論文  参考訳（メタデータ） (2020-04-20T17:53:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。