Μίξη τραγουδιών με χρήση νευρωνικών δικτύων

Βασιλόπουλος, Εμμανουήλ; Vasilopoulos, Emmanouil

dc.contributor.author	Βασιλόπουλος, Εμμανουήλ	el
dc.contributor.author	Vasilopoulos, Emmanouil	en
dc.date.accessioned	2020-10-21T11:52:19Z
dc.date.available	2020-10-21T11:52:19Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51552
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19250
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Μετασχηματισμός Fourier	el
dc.subject	Μουσική	el
dc.subject	Εντοπισμός σημείων	el
dc.subject	Μηνύματα MIDI	el
dc.subject	Convolutional neural networks	en
dc.subject	Music	en
dc.subject	Fourier transform	en
dc.subject	MIDI messages	en
dc.subject	Point detection	en
dc.title	Μίξη τραγουδιών με χρήση νευρωνικών δικτύων	el
dc.title	Mixing songs with neural networks	en
heal.type	bachelorThesis
heal.classification	Digital signal processing	en
heal.classification	Deep learning	en
heal.classification	Μηχανική μάθηση	el
heal.classification	Νευρωνικά δίκτυα	el
heal.classification	Ψηφιακή επεξεργασία σήματος	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07
heal.abstract	Ο σκοπός της εργασίας είναι η σχεδίαση και υλοποίηση ενός συστήματος που αυτοματοποιεί την μίξη μουσικής. Πλατφόρμες όπως το Spotify και Apple Music παρέχουν λίστες τραγουδιών ανά είδος, ημερομηνία κυκλοφορίας κλπ. Δεν παρέχουν τη δυνατότητα, όμως της ενοποίησης της μουσικής και της αναπαραγωγής των τραγουδιών χωρίς παύσεις ή με κάποια συνοχή. Το ίδιο ισχύει για τα κοινώς χρησιμοποιούμενα συστήματα αναπαραγωγής μουσικής. Το σύστημα που σχεδιάσθηκε λαμβάνει στην είσοδο του μία play-list και στην έξοδο του παράγει τα κατάλληλα σήματα που ελέγχουν ένα dj λογισμικό. Η μέθοδος που ακολουθήσαμε χρησιμοποιεί τον εντοπισμό σημείων στο χρόνο ενός τραγουδιού χρησιμοποιώντας Τεχνητά Νευρωνικά Δίκτυα. Η έρευνα της εργασίας βασίστηκε σε αυτό το πρόβλημα, με τα καλύτερα αποτελέσματα να παράγονται από Συνελικτικά Νευρωνικά Δίκτυα ή αλλιώς Convolutional Neural Networks (CNN) σε συνδυασμό με την κατάλληλη μορφή έκφρασης των δεδομένων. Τα προβλεπόμενα σημεία του Τ.Ν.Δ. χρησιμοποιούνται από ένα δεύτερο σύστημα που αυτοματοποιεί μία βασική τεχνική των δισκοθετών (deejay) για τη μετάβαση από το ένα τραγούδι στο επόμενο. Το τελικό συμπέρασμα, όσον αφορά τον εντοπισμό σημείων στο χρόνο, είναι η σημαντικότητα της μορφής της εισόδου και κυρίως της εξόδου του συστήματος κατά τη διάρκεια της εκπαίδευσης, με την αρχιτεκτονική να παίζει ρόλο στη βελτιστοποίηση του συστήματος.	el
heal.advisorName	Στάμου, Γιώργος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	104 σ.	el
heal.fullTextAvailability	false