論文の概要: Audio Processing using Pattern Recognition for Music Genre Classification

• arxiv url: http://arxiv.org/abs/2410.14990v1
• Date: Sat, 19 Oct 2024 05:44:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:15:47.875090
• Title: Audio Processing using Pattern Recognition for Music Genre Classification
• Title（参考訳）: 音楽ジャンル分類におけるパターン認識を用いた音声処理
• Authors: Sivangi Chatterjee, Srishti Ganguly, Avik Bose, Hrithik Raj Prasad, Arijit Ghosal,
• Abstract要約: 本研究は,GTZANデータセットを用いた音楽ジャンル分類における機械学習手法の適用について検討する。 パーソナライズされた音楽レコメンデーションの需要が高まる中、私たちは、ブルース、クラシック、ジャズ、ヒップホップ、カントリーという5つのジャンルの分類に注力しました。 ANNモデルは最高の性能を示し、検証精度は92.44%に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This project explores the application of machine learning techniques for music genre classification using the GTZAN dataset, which contains 100 audio files per genre. Motivated by the growing demand for personalized music recommendations, we focused on classifying five genres-Blues, Classical, Jazz, Hip Hop, and Country-using a variety of algorithms including Logistic Regression, K-Nearest Neighbors (KNN), Random Forest, and Artificial Neural Networks (ANN) implemented via Keras. The ANN model demonstrated the best performance, achieving a validation accuracy of 92.44%. We also analyzed key audio features such as spectral roll-off, spectral centroid, and MFCCs, which helped enhance the model's accuracy. Future work will expand the model to cover all ten genres, investigate advanced methods like Long Short-Term Memory (LSTM) networks and ensemble approaches, and develop a web application for real-time genre classification and playlist generation. This research aims to contribute to improving music recommendation systems and content curation.
• Abstract（参考訳）: 本研究は,GTZANデータセットを用いた楽曲ジャンル分類における機械学習手法の適用について検討する。 パーソナライズされた音楽レコメンデーションの需要が高まる中で,我々は,ロジスティック回帰,K-Nearest Neighbors(KNN),ランダムフォレスト(Random Forest),Artificial Neural Networks(ANN)など,5つのジャンル(Blues, Classical, Jazz, Hip Hop, Country-using a Logistic Regression, K-Nearest Neighbors(KNN)などのアルゴリズムをKeras経由で実装した。 ANNモデルは最高の性能を示し、検証精度は92.44%に達した。 また、スペクトルロールオフ、スペクトルセントロイド、MFCCなどの重要な音声特徴を分析し、モデルの精度を高めるのに役立った。 今後、このモデルを10のジャンルすべてをカバーするように拡張し、Long Short-Term Memory(LSTM)ネットワークやアンサンブルアプローチなどの高度な手法を調査し、リアルタイムなジャンル分類とプレイリスト生成のためのWebアプリケーションを開発する予定である。 本研究は,音楽レコメンデーションシステムとコンテンツキュレーションの改善に貢献することを目的とする。

関連論文リスト

• Music Genre Classification using Large Language Models [50.750620612351284]
  本稿では,音楽ジャンル分類のための事前学習された大規模言語モデル(LLM)のゼロショット機能を利用する。 提案手法は、音声信号を20ミリ秒のチャンクに分割し、畳み込み特徴エンコーダで処理する。 推論中、個々のチャンクの予測は最終ジャンル分類のために集約される。
  論文  参考訳（メタデータ） (2024-10-10T19:17:56Z)
• Toward a More Complete OMR Solution [49.74172035862698]
  光音楽認識は、音楽の表記をデジタル形式に変換することを目的としている。 OMRに取り組む1つのアプローチは、画像内の視覚音楽の表記要素を最初に検出するマルチステージパイプラインである。 YOLOv8に基づく音楽オブジェクト検出器を導入し,検出性能を向上する。 第2に、検出出力に基づいて記法組立段階を完了する教師付きトレーニングパイプラインを導入する。
  論文  参考訳（メタデータ） (2024-08-31T01:09:12Z)
• Music Genre Classification: Training an AI model [0.0]
  音楽ジャンル分類は、音声信号の処理に機械学習モデルと技法を利用する分野である。 本研究では,音楽ジャンル分類のための機械学習アルゴリズムについて,音声信号から抽出した特徴を用いて検討する。 ジャンル分類のための機械学習モデルの堅牢性を評価し、その結果を比較することを目的としている。
  論文  参考訳（メタデータ） (2024-05-23T23:07:01Z)
• MuPT: A Generative Symbolic Music Pretrained Transformer [56.09299510129221]
  音楽の事前学習におけるLarge Language Models (LLM) の適用について検討する。 生成過程の異なるトラックからの不整合対策に関連する課題に対処するために,SMT-ABC Notation(Synchronized Multi-Track ABC Notation)を提案する。 私たちのコントリビューションには、最大8192個のトークンを処理可能な一連のモデルが含まれており、トレーニングセットの象徴的な音楽データの90%をカバーしています。
  論文  参考訳（メタデータ） (2024-04-09T15:35:52Z)
• Music Genre Classification: A Comparative Analysis of CNN and XGBoost Approaches with Mel-frequency cepstral coefficients and Mel Spectrograms [0.0]
  提案した畳み込みニューラルネットワーク(CNN)、完全連結層(FC)を持つVGG16、異なる特徴に対するeXtreme Gradient Boosting(XGBoost)アプローチの3つのモデルの性能について検討した。 さらに,データ前処理フェーズにデータセグメンテーションを適用することで,CNNの性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-01-09T01:50:31Z)
• Music Genre Classification with ResNet and Bi-GRU Using Visual Spectrograms [4.354842354272412]
  手動のジャンル分類の限界は、より高度なシステムの必要性を強調している。 従来の機械学習技術はジャンル分類の可能性を示してきたが、音楽データの完全な複雑さを捉えられなかった。 本研究では,視覚スペクトログラムを入力として用いる新しいアプローチを提案し,Residual Neural Network(ResNet)とGated Recurrent Unit(GRU)の強みを組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-20T11:10:06Z)
• MARBLE: Music Audio Representation Benchmark for Universal Evaluation [79.25065218663458]
  我々は,UniversaL Evaluation(MARBLE)のための音楽音響表現ベンチマークを紹介する。 音響、パフォーマンス、スコア、ハイレベルな記述を含む4つの階層レベルを持つ包括的分類を定義することで、様々な音楽情報検索(MIR)タスクのベンチマークを提供することを目的としている。 次に、8つの公開データセット上の14のタスクに基づいて統一されたプロトコルを構築し、ベースラインとして音楽録音で開発されたすべてのオープンソース事前学習モデルの表現を公平かつ標準的に評価する。
  論文  参考訳（メタデータ） (2023-06-18T12:56:46Z)
• GETMusic: Generating Any Music Tracks with a Unified Representation and Diffusion Framework [58.64512825534638]
  シンボリック・ミュージック・ジェネレーションは、ユーザーが音楽を作るのに役立つ音符を作成することを目的としている。 私たちは「GETMusic」と呼ばれるフレームワークを紹介します。「GET'」は「GEnerate Music Tracks」の略です。 GETScoreは、音符をトークンとして表現し、2D構造でトークンを整理する。 提案する表現は,非自己回帰生成モデルと組み合わせて,任意のソース・ターゲットトラックの組み合わせでGETMusicに音楽を生成する。
  論文  参考訳（メタデータ） (2023-05-18T09:53:23Z)
• MATT: A Multiple-instance Attention Mechanism for Long-tail Music Genre Classification [1.8275108630751844]
  不均衡音楽ジャンル分類は音楽情報検索(MIR)分野において重要な課題である。 既存のモデルのほとんどは、クラスバランスの音楽データセット用に設計されている。 末尾クラスを特定するために,MATT(Multi-Instance Attention)と呼ばれる新しいメカニズムを提案する。
  論文  参考訳（メタデータ） (2022-09-09T03:52:44Z)
• A Study on Broadcast Networks for Music Genre Classification [0.0]
  本稿では,小さなパラメータセットの下での局所化と一般化性の向上を目的とした,放送型ニューラルネットワークについて検討する。 我々のアプローチは、音楽と音声の分類のためのコンパクトで一般化可能なブロードキャストネットワークを実現するための洞察と可能性を提供する。
  論文  参考訳（メタデータ） (2022-08-25T13:36:43Z)
• Lets Play Music: Audio-driven Performance Video Generation [58.77609661515749]
  オーディオ駆動型パーパフォーマンスビデオ生成(APVG)という新しいタスクを提案する。 APVGは、特定の音楽オーディオクリップでガイドされた特定の楽器を演奏する人のビデオを合成することを目的としている。
  論文  参考訳（メタデータ） (2020-11-05T03:13:46Z)

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。