論文の概要: From Volpiano to Pixels: 30,000 Lines of OMR Ground Truth for Medieval Chant
- arxiv url: http://arxiv.org/abs/2610.16862v1
- Date: Mon, 12 Oct 2026 14:29:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 21:11:16.417225
- Title: From Volpiano to Pixels: 30,000 Lines of OMR Ground Truth for Medieval Chant
- Title（参考訳）: ボルピアーノからピクチャーズ:3万行のOMRグラウンドトゥルース
- Abstract要約: 私たちは、11の輸出で10のソースから30,567のイメージターゲットペアを作成します。
パイプラインはスタッフシステムを特定し、クリーフを推測し、既知のピッチをスタッフのポジションにマップする。
CRNNはスクラッチから訓練し、3,086のテストラインでシンボルエラー率9.6%を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Optical music recognition (OMR) for medieval chant lacks training data linking manuscript images to musical symbols across notational families. Using existing Volpiano transcriptions from the Cantus Database, we created 30,567 image-target pairs from ten sources in eleven exports, including 339 verse fragments. Their target sequences contain 1,952,143 tokens. The pipeline locates staff systems, infers clefs and maps known pitches to staff positions. Six detector families handle the different layouts and notations. Where heuristics failed, two small U-Nets learned staff lines and clef letters from manual annotations. Reviews of sampled export lines found zero to four pitch or clef errors, but used different error definitions and do not provide a uniform audit of the corpus. A CRNN trained from scratch achieved a symbol error rate of 9.6 % on 3,086 test lines. The earlier model, trained mainly on Austrian sources of the 15th and 16th centuries, scored 45.3 %. In three separate training runs, each excluding one manuscript, error rates on the excluded manuscript were 21.5-31.0 %. Model-assisted alignment recovered a further 2,686 lines.
- Abstract（参考訳）: 中世の唱唱のための光学音楽認識(OMR)には、筆跡画像と譜面記号を結び付ける訓練データがない。
Cantus Databaseの既存のVolpiano転写を用いて、11の輸出で10のソースから30,567のイメージターゲットペアを作成しました。
ターゲット配列は1,952,143個のトークンを含む。
パイプラインはスタッフシステムを特定し、クリーフを推測し、既知のピッチをスタッフのポジションにマップする。
6つの検出器ファミリーは異なるレイアウトと表記を扱う。
ヒューリスティックスが失敗したところでは、2人の小さなU-Netが手書きの注釈からスタッフラインとクリーフレターを学習した。
サンプル輸出ラインのレビューでは、ピッチやクリーフの誤りはゼロから4つあったが、異なるエラー定義を使用しており、コーパスの均一な監査を提供していない。
CRNNはスクラッチから訓練し、3,086のテストラインでシンボルエラー率9.6%を達成した。
初期のモデルは、主に15世紀から16世紀のオーストリアの資料に基づいて訓練され、45.3パーセントのスコアを得た。
3回の訓練では、1本の写本を除くと21.5-31.0%の誤差率であった。
モデルアシストアライメントはさらに2,686ラインを回収した。
関連論文リスト
- Wieszcz-XIX: A 3.1-Billion-Word Corpus of Pre-1918 Polish and Temporally Bounded Language Models Trained From Scratch [0.0]
1800年から1918年にかけて出版されたポーランドの294,369の文書に、675億のトークン(約310億語)のコーパスであるWieszcz-XIXを記載する。
同時代の注釈付きコーパスより3桁以上大きい。
手作業で修正されたサンプルでは、文字エラー率は0.68%で、テキストの正しさは0.68%であり、サンプルパスの45%は修正できない。
論文 参考訳（メタデータ） (2026-10-06T18:35:26Z) - YuE2: Unifying Symbolic and Audio Music Generation at Frontier Quality [74.61395664600597]
我々は,記号プランニングにより,フロンティア品質の象徴的およびオーディオ音楽生成を統一するYuE2を紹介する。
1つのAR-NAR Mixture-of-Transformers (MoT)は、まずメロディとハーモニーを指定する可読性スコアを書き、セマンティックミュージックトークンに拡張し、フルソングオーディオとして実現する。
専門家の聞き取りは、プロプライエタリな曲のジェネレータとの競争力をさらに確立し、Suno v4.5よりも8のベストを保ち、Suno v5に対してほぼバランスの取れた好みを与える。
論文 参考訳（メタデータ） (2026-09-27T16:55:13Z) - Unadapted Multilingual ASR on a Garrusi Kurdish Evaluation Set: A Common-Reference Staged Normalization Analysis [0.0]
ラテン音場正書法で書かれたクルド方言の音声認識を評価する。
原文のアラビア文字仮説は111.70%のWERと100.92%のCERであり、正確な単語一致はゼロである。
ラテン語の文字化では102.36%のWERと57.89%のCERが与えられ、参照を縮小した正書法に折り畳むと97.85%と51.20%となる。
論文 参考訳（メタデータ） (2026-08-17T10:31:30Z) - Stoicheia: Character-Level Masked Diffusion for Ancient Greek Textual Restoration, Parsing, and Metrical Scansion [0.0]
ストイチェア (Stoicheia) は古代ギリシアの文字レベルのマスク付き拡散エンコーダである。
オープンでリビジョンされた380万ワードのコーパスで事前トレーニングを行い、11個のチェックポイントをリリースする。
イサカ自身のテスト分割では、同じ凍結サンプルと厳密なスコアで、Stoicheiaは両方の従来の最先端システムと比較して文字エラーを減らす。
論文 参考訳（メタデータ） (2026-08-07T14:07:43Z) - LV-ROVER-MLT: Low-Resource Maltese OCR by Multi-Stream Voting [0.0]
本稿では,文字誤り率0.0234の微調整Tesseractベースラインに対するベンチマーク結果について報告する。
アンサンブル認識のみは、ベースラインと同じラベルの慣例で行われ、文字エラー率を44%改善して0.01317に向上する。
Tesseractのストレートクォートとダッシュ出力をベンチマークのキュリークォート規則に合わせる後処理チェーンと、誤読ダイアクリティカルを回復する1つのステージは、完全なパイプラインを文字エラー率0.00700に導く。
論文 参考訳（メタデータ） (2026-06-30T22:58:41Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - Voices of the Mountains: Deep Learning-Based Vocal Error Detection System for Kurdish Maqams [1.3464152928754487]
歌唱のタイプであるマカームはクルド音楽の重要な要素である。
ウィンドウがエラーを含むか否かを判定し,それを分類するために,アテンションモード付き2面CNN-BiLSTMを開発した。
スコアが0.750の50曲評価では、リコールは39.4%、精度は25.8%だった。
論文 参考訳（メタデータ） (2026-02-24T10:17:16Z) - Scarecrow: A Framework for Scrutinizing Machine Text [69.26985439191151]
我々はScarecrowと呼ばれる新しい構造化されたクラウドソースエラーアノテーションスキーマを導入する。
Scarecrowは1.3kの人文と機械が生成する英語ニューステキストの13kのアノテーションを収集する。
これらの結果は,現在および将来のテキスト生成システムの評価において,Scarecrowアノテーションの価値を示すものである。
論文 参考訳（メタデータ） (2021-07-02T22:37:03Z) - Unsupervised Speech Recognition [55.864459085947345]
wav2vec-Uは、ラベル付きデータなしで音声認識モデルを訓練する方法である。
我々は、自己教師付き音声表現を活用して、ラベルなし音声をセグメント化し、これらの表現から相手の訓練を通して音素へのマッピングを学習する。
より大きな英語のLibrispeechベンチマークでは、wav2vec-Uは、わずか2年前の960時間のラベル付きデータに基づいてトレーニングされた最も優れたシステムに匹敵する、他のテストで5.9の単語エラー率を達成した。
論文 参考訳（メタデータ） (2021-05-24T04:10:47Z) - Towards Zero-shot Learning for Automatic Phonemic Transcription [82.9910512414173]
より難しい問題は、トレーニングデータをゼロにする言語のための音素変換器を構築することだ。
我々のモデルは、トレーニングデータなしで、ターゲット言語で見知らぬ音素を認識できる。
標準的な多言語モデルよりも平均して7.7%の音素誤り率を実現している。
論文 参考訳（メタデータ） (2020-02-26T20:38:42Z)
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。