Automatic Instrument Recognition with Deep Convolutional Neural Networks / Reconocimiento Automático de Instrumentos Musicales con Redes Neuronales Convolucionales Profundas
In the context of growing digital media and new classification/indexing demands, the task of Automatic Instrument Recognition in the field of Music Information Retrieval (MIR) has increasing importance. Through the use of deep learning techniques, namely convolutional neural networks, and different automatic source separation algorithms, developed at the Fraunhofer Institut für Digitale Medientechnologie (IDMT), this
Master thesis investigates this recognition task and how different pre-processing stages can improve its classification performance. Several experiments have been conducted in order to reproduce and improve upon the results of the reference system reported by Han et al. Two systems are proposed in this research: an improved system using harmonic/percussive separation and post-processing using class-wise thresholding, and a combined system using solo/accompaniment separation and transfer learning methods for the special use case of jazz solo recognition. To validate the obtained results, diverse tests have been performed with multiple music data sets, with different complexities and instrument selections.
Resumen
En el contexto del crecimiento de los medios digitales y nuevas necesidades de clasificación/indexación de datos, la tarea de reconocimiento de instrumentos automática en el campo de recuperación de información musical (MIR, por sus siglas en inglés) tiene una creciente importancia. A través del uso de técnicas de inteligencia artificial, concretamente redes neuronales convolucionales profundas, y diferentes algoritmos de separación de fuentes sonoras, desarrollados en el Instituto Fraunhofer de Medios Digitales, esta tesis investiga esta técnica de reconocimiento y la manera en que diferentes pasos de preprocesamiento pueden mejorar su desempeño de clasificación. Se han conducido varios experimentos para reproducir y mejorar los resultados obtenidos por Han et al. Se proponen dos sistemas a partir de los resultados: un sistema mejorado utilizando separación de fuentes sonoras armónica/percusiva y técnicas de transferencia de aprendizaje para el caso concreto de reconocimiento de instrumentos solistas en el jazz. Para validar los resultados obtenidos, se han realizado diversas pruebas con múltiples bases de datos, con diferentes complejidades y selecciones de instrumentos.
Citación recomendada (normas APA)
Juan Sebastián Gómez Cañón, "Automatic Instrument Recognition with Deep Convolutional Neural Networks / Reconocimiento Automático de Instrumentos Musicales con Redes Neuronales Convolucionales Profundas", Ilmenau (Alemania):-, 2018. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/2089794/), el día 2025-07-07.
¡Disfruta más de la BDB!
Explora contenidos digitales de forma gratuita, crea tus propias colecciones, colabora y comparte con otros.
Selecciona las Colecciones en las que vas a añadir el contenido
Para consultar los contenidos añadidos busca la opción
Tus colecciones en el menú principal o en
Mi perfil.
Mis colecciones
Cargando colecciones
Compartir este contenido
Automatic Instrument Recognition with Deep Convolutional Neural Networks / Reconocimiento Automático de Instrumentos Musicales con Redes Neuronales Convolucionales Profundas
