Ενδιάμεσα χαρακτηριστικά μουσική στη νευρωνική μάθηση

Λυμπεράτος, Βασίλειος

dc.contributor.author	Λυμπεράτος, Βασίλειος	el
dc.date.accessioned	2021-03-05T09:18:20Z
dc.date.available	2021-03-05T09:18:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52965
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20663
dc.rights	Default License
dc.subject	Ανάκτηση μουσικής πληροφορίας	el
dc.subject	Αναγνώριση συναισθήματος	el
dc.subject	Ενδιάμεσα χαρακτηριστικά	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Τεχνικές ομαλοποίησης	el
dc.subject	Music information retrieval	en
dc.subject	Music emotion recognition	en
dc.subject	Mid-level features	en
dc.subject	Deep learning	en
dc.subject	Regularization methods	en
dc.title	Ενδιάμεσα χαρακτηριστικά μουσική στη νευρωνική μάθηση	el
dc.contributor.department	Εργαστήριο Ευφυών Συστημάτων, Περιεχομένου και Αλληλεπίδρασης	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-02-25
heal.abstract	Η ανάκτηση πληροφορίας από τη μουσική έχει ευνοηθεί από τη ψηφιοποίηση της μουσικής. Μεγάλος όγκος δεδομένων μουσικής είναι εύκολα διαθέσιμος. Η εφαρμογή της Μηχανικής Μάθησης σε αυτόν έχει απαντήσει σε πολλές προκλήσεις. Κάποιες από αυτές είναι η δημιουργία Συστημάτων Προτάσεων Μουσικής, η ταξινόμηση της μουσικής σε είδη και σε συναισθήματα ακόμα και η δημιουργία μουσικής. Στη διπλωματική αυτή ασχοληθήκαμε με το πρόβλημα της ταξινόμησης της μουσικής με βάση τα συναισθήματα. Η προσέγγιση μας βασίστηκε στη ταξινόμηση της σε πρώτο στάδιο σε ενδιάμεσα χαρακτηριστικά, τα οποία είναι εύκολα κατανοητά από τον άνθρωπο, και σε δεύτερο στάδιο στη σύνδεσή τους με τα συναισθήματα. Με αυτό το τρόπο δόθηκε ερμηνεία της ταξινόμησης των τραγουδιών με βάση τα συναισθήματα. Στα πειράματα μας δοκιμάσαμε νέες αναπαραστάσεις της μουσικής με τη χρήση του Spotify API. Κάναμε πειράματα με πληθώρα αρχιτεκτονικών νευρωνικών δικτύων παρατηρώντας την επίδραση που έχει σε αυτά η ρύθμιση των υπερ-παραμέτρων τους. Ορισμένες από τις πολλές τεχνικές ομαλοποίησης που δοκιμάσαμε βασίζονται στην Εκμάθηση Αναπαραστάσεων (Representation Learning) και στη προ- εκπαίδευση (pre-training). Δοκιμάσαμε διάφορα πειράματα ταξινόμησης της μουσικής με τη αναπαράσταση χαρακτηριστικών του Spotify API. Από τα πειράματα βγάλαμε συμπεράσματα για την ακρίβεια της αναπαράστασης της μουσικής με MFCCs και με χαρακτηριστικά του Spotify API.Συγκρίναμε τα διάφορα νευρωνικά δίκτυα που χρησιμοποιήσαμε με αντίστοιχα προηγούμενων ερευνών. Μελετήσαμε τη σημασία τεχνικών ομαλοποίησης για την εκπαίδευση των μοντέλων μας και δώσαμε παραδείγματα για τη σύνδεση των ενδιάμεσων χαρακτηριστικών με τα συναισθήματα. Στο τέλος δώσαμε ορισμένες πιθανές κατευθύνσεις για μελλοντική εργασία ως αποτέλεσμα των ευρημάτων της διπλωματικής αυτής.	el
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	92 σ.	el
heal.fullTextAvailability	false