Αυτόματη αναγνώριση καλλιτέχνη με χρήση μεθόδων μηχανικής μάθησης.

Abstract

Η διάδοση της ψηφιακής μουσικής πληροφορίας επέφερε τη δημιουργία τεράστιων μουσικών βάσεων δεδομένων οι οποίες χρησιμοποιούνται για προσωπικούς αλλά και επαγγελματικούς σκοπούς. Έτσι, δημιουργήθηκε η ανάγκη για γρήγορη και αποδοτική ανάκτηση πληροφορίας σε αυτές τις συλλογές. Αυτή την ανάγκη ήρθαν να καλύψουν τα συστήματα αυτόματης ανάκτησης μουσικής πληροφορίας. Ένα από τα πιο δημοφιλή στοιχεία προς αναζήτηση από τους χρήστες τέτοιων συλλογών είναι αυτό του καλλιτέχνη που ερμηνεύει το εκάστοτε μουσικό κομμάτι. Για αυτό το λόγο η αυτόματη αναγνώριση καλλιτέχνη αποτελεί ένα από τα πιο σημαντικά πεδία έρευνας στον τομέα της αυτόματης ανάκτησης μουσικής πληροφορίας. Σκοπός της συγκεκριμένης πτυχιακής εργασίας λοιπόν, είναι η ανάπτυξη ενός μοντέλου αυτόματης αναγνώρισης καλλιτέχνη με χρήση μεθόδων μηχανικής μάθησης. Μέσω αυτής της εργασίας επιδιώκεται η εύρεση και η ανάπτυξη του καλύτερου δυνατού μοντέλου για την κατά το δυνατόν ακριβέστερη και αποδοτικότερη κατηγοριοποίηση μουσικών έργων στους καλλιτέχνες που τα ερμηνεύουν ή τα εκτελούν. Για την ανάπτυξη του μοντέλου και τις δοκιμές δημιουργήθηκαν και χρησιμοποιήθηκαν τέσσερις βάσεις δεδομένων με ηχητικά δείγματα από μουσικά έργα δεκαπέντε δημοφιλών καλλιτεχνών και συγκροτημάτων. Οι μέθοδοι και τα εργαλεία μηχανικής μάθησης (machine learning) μας δίνουν τη δυνατότητα να αναγνωρίζουμε καλλιτέχνες. Μέσω της μηχανικής μάθησης λοιπόν, και των μεθόδων της, αλλά κυρίως μέσω της διαδικασίας εξόρυξης δεδομένων (data mining), εξάγουμε συγκεκριμένα ηχητικά χαρακτηριστικά, τα οποία στη συνέχεια ταξινομούμε με χρήση αλγορίθμων αναγνώρισης διανυσμάτων και προτύπων. Με αυτόν τον τρόπο αναγνωρίζουμε αυτόματα τα χαρακτηριστικά αυτά, και κατ’ επέκταση τους καλλιτέχνες που επιθυμούμε να κατηγοριοποιήσουμε.

The dissemination of digital musical information brought upon the creation of huge music databases which are used for both personal and professional reasons. Thus, the need was created for fast and reliable information retrieval in these collections. This need was fulfilled by the automatic music information retrieval systems. One of the most popular search indexes from the users of collections of this kind, is that of the artist who sings in each song. For this reason the automatic artist recognition is one of the most important fields of research into the field of automatic music information retrieval. So, the purpose of this thesis is the development of a model for automatic artist recognition by using machine learning methods and the - as much as possible - precise and reliable classification of musical pieces into the artists who either sing or play them. Also for the development of the model and the testing was created and used four databases with sound samples from musical pieces of 15 artists and bands. The methods and the machine learning tools give us the opportunity to recognize artists. So, via machine learning and its methods, but mainly via the data mining process, we extract specific sound features which, consequently, we classify by using vector and pattern recognition algorithms. This way, we recognize automatically these features and additionally, the artists we want to classify.