Piano music generation with deep learning transformer models

Στάης, Άγγελος; Stais, Angelos

dc.contributor.author	Στάης, Άγγελος	el
dc.contributor.author	Stais, Angelos	en
dc.date.accessioned	2023-05-12T08:34:18Z
dc.date.available	2023-05-12T08:34:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57687
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25384
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Βαθιά Μάθηση	el
dc.subject	Βαθιά Νευρωνικά Δίκτυα	el
dc.subject	Μουσική	el
dc.subject	Σύνθεση Μουσικής	el
dc.subject	Πιάνο	el
dc.subject	Deep Learning	en
dc.subject	Deep Neural Networks	en
dc.subject	Music	en
dc.subject	Music Generation	en
dc.subject	Piano	en
dc.title	Piano music generation with deep learning transformer models	en
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Βαθιά Μάθηση	el
heal.classification	Μουσική	el
heal.classification	Σύνθεση Μουσικής	el
heal.classification	Machine Learning	en
heal.classification	Deep Learning	en
heal.classification	Music	en
heal.classification	Music Generation	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-13
heal.abstract	William Wordsworth famously wrote in "The Solitary Reaper": "The music in my heart I bore, long after it was heard no more". The emotional impact of music, particularly piano music, has transcended cultural barriers and touched people from all walks of life for centuries. In recent years, the composition of music with the assistance of artificial intelligence has become a notable area of interest that has garnered significant attention. Among multiple deep learning models proposed, the Transformer has been a prominent approach for generating longer piano performances. This thesis delves into the capabilities of symbolic piano music generation with two noteworthy Transformer models, Music Transformer and Perceiver-AR. We explore training these models in six different datasets of various sizes and musical genres, generate large-scale number of outputs for each trained model and evaluate them objectively and subjectively. We investigate the impact of training datasets, model types and trained models on the music generation process. We also examine the correlations of objective and subjective evaluation metrics and propose a set of primary subjective quality indicators for music generated by artificial intelligence models. Finally, we suggest possible improvements and areas for future research.	en
heal.abstract	Ο William Wordsworth έγραψε στο "The Solitary Reaper": "Τη μουσική στη καρδιά μου την έφερνα, πολύ μετά που δεν ακουγόταν πια". Ο συναισθηματικός αντίκτυπος της μουσικής, ιδίως της μουσικής για πιάνο, ξεπερνά τα πολιτισμικά σύνορα και αγγίζει ανθρώπους από όλα τα μονοπάτια της ζωής εδώ και αιώνες. Τα τελευταία χρόνια, η σύνθεση μουσικής με τη βοήθεια της τεχνητής νοημοσύνης έχει αναδυθεί ως επιστημονικός τομέας έχοντας συγκεντρώσει σημαντική προσοχή. Μεταξύ των πολλαπλών μοντέλων βαθιάς μάθησης που προτείνονται, το Transformer αποτελεί μια εξέχουσα αρχιτεκτονική για τη δημιουργία μεγαλύτερης διάρκειας συνθέσεων πιάνου. Η παρούσα εργασία εμβαθύνει στις δυνατότητες σύνθεσης συμβολικής μουσικής για πιάνο με δύο αξιοσημείωτα μοντέλα Transformer, το Music Transformer και το Perceiver-AR. Διερευνούμε την εκπαίδευση αυτών των μοντέλων σε έξι διαφορετικά σύνολα δεδομένων διαφόρων μεγεθών και μουσικών ειδών, παράγουμε ένα μεγάλο αριθμό συνθέσεων για κάθε εκπαιδευμένο μοντέλο και τα αξιολογούμε αντικειμενικά και υποκειμενικά. Εξετάζουμε την επίδραση των συνόλων δεδομένων, των ειδών μοντέλων και των συγκεκριμένων εκπαιδευμένων μοντέλων στη διαδικασία σύνθεσης μουσικής. Υπολογίζουμε επίσης τις συσχετίσεις των αντικειμενικών και υποκειμενικών μετρικών αξιολόγησης και προτείνουμε ένα σύνολο πρωταρχικών υποκειμενικών δεικτών ποιότητας για τη παραγόμενη μουσική από μοντέλα τεχνητής νοημοσύνης. Τέλος, συζητάμε για πιθανές βελτιώσεις και πεδία μελλοντικής έρευνας.	el
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας- Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	130 σ.	el
heal.fullTextAvailability	false