dc.creator.ID |
ALMEIDA, G. S. H. |
pt_BR |
dc.contributor.advisor1 |
MARINHO, Leandro Balby. |
|
dc.contributor.advisor1ID |
MARINHO, L. B. |
pt_BR |
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/3728312501032061 |
pt_BR |
dc.contributor.referee1 |
BARROS, Marcelo Alves de. |
|
dc.contributor.referee2 |
BRASILEIRO, Francisco Vilar. |
|
dc.description.resumo |
A área de Recuperação de Informações Musicais (Music Information Retrieval ou MIR)
engloba uma variedade de tópicos, incluindo a transcrição musical, a separação de fontes sonoras, o
reconhecimento de instrumentos e/ou gêneros musicais. Um exemplo prático de um desses campos é o
Spotify, que utiliza sistemas de recomendação capazes de aprender o padrão de conteúdo reproduzido
e sugere aos usuários músicas similares. No entanto, o reconhecimento de instrumentos ainda pode ser
desafiador de acordo com o conjunto de dados utilizado, dificultando o reconhecimento de padrões.
Nesse contexto, essa pesquisa tem como objetivo treinar um modelo capaz de detectar e identificar
instrumentos, além de avaliá-lo em diferentes conjuntos de dados amplamente conhecidos na área de
MIR. Para isso, foram utilizados áudios do OpenMIC-2018 no treinamento e os modelos foram
avaliados em três conjuntos de dados, sendo estes: MTG-Jamendo, NSynth e áudios de apresentações
ao vivo com instrumentos separados utilizando o Demucs. A acurácia será um dos critérios utilizados
para avaliar o desempenho do modelo. Ao abordar essa problemática, espera-se contribuir para
avanços na área de MIR, permitindo recomendações musicais mais personalizadas por meio do
aprimoramento da precisão em sistemas de recomendação. Além disso, deseja-se fornecer insights
para a comunidade de MIR, auxiliando na análise musical e em campos relacionados, a fim de permitir
aplicações cada vez mais eficientes. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
Centro de Engenharia Elétrica e Informática - CEEI |
pt_BR |
dc.publisher.initials |
UFCG |
pt_BR |
dc.subject.cnpq |
Ciência da Computação. |
pt_BR |
dc.title |
Reconhecimento de instrumentos musicais utilizando machine learning: um estudo de caso. |
pt_BR |
dc.date.issued |
2023-06-28 |
|
dc.description.abstract |
The field of Music Information Retrieval (MIR) encompasses a variety of topics, including
music transcription, source separation, and recognition of instruments and/or musical genres. A
practical example of this field is Spotify, which uses recommendation systems capable of learning
patterns of the reproduced content and suggesting similar music to users. However, instrument
recognition can still present challenges depending on the dataset used, making pattern recognition
more difficult. In this context, the objective of this research is to train a model capable of detecting and
identifying instruments, and evaluate this model on different well-known datasets in the field of MIR.
For this purpose, the OpenMIC-2018 dataset it’s used for training and three datasets to evaluate the
model: MTG-Jamendo, NSynth and audio from live performances with separated instruments using
Demucs. Accuracy will be one of the criteria used to assess the model’s performance. By addressing
this issue, we hope to contribute to advancements in the field of MIR, enabling more personalized
music recommendations through improved accuracy in recommendation systems. Additionally, we
seek to provide insights to the MIR community, aiding in music analysis and related fields, in order to
facilitate increasingly efficient applications. |
pt_BR |
dc.identifier.uri |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/30435 |
|
dc.date.accessioned |
2023-06-28T18:11:40Z |
|
dc.date.available |
2023-06-28 |
|
dc.date.available |
2023-06-28T18:11:40Z |
|
dc.type |
Trabalho de Conclusão de Curso |
pt_BR |
dc.subject |
Reconhecimento de instrumentos musicais |
pt_BR |
dc.subject |
Sistemas de recomendação |
pt_BR |
dc.subject |
Machine learning |
pt_BR |
dc.subject |
Aprendizado de máquina |
pt_BR |
dc.subject |
Inteligência artificial |
pt_BR |
dc.subject |
Som na computação |
pt_BR |
dc.subject |
Recuperação de informações musicais |
pt_BR |
dc.subject |
Music information retrieval |
pt_BR |
dc.subject |
Recomendações musicais |
pt_BR |
dc.subject |
Música e computação |
pt_BR |
dc.subject |
Demucs - deparação de fontes musicais |
pt_BR |
dc.subject |
Datasets |
pt_BR |
dc.subject |
OpenMIC-2018 - dataset |
pt_BR |
dc.subject |
NSynth - dataset |
pt_BR |
dc.subject |
Recognition of musical instruments |
pt_BR |
dc.subject |
Recommendation systems |
pt_BR |
dc.subject |
Artificial intelligence |
pt_BR |
dc.subject |
Computer sound |
pt_BR |
dc.subject |
Music recommendations |
pt_BR |
dc.subject |
Music and computing |
pt_BR |
dc.subject |
Demucs - musical font comparison |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.creator |
ALMEIDA, Gabryelle Soares Herculano de. |
|
dc.publisher |
Universidade Federal de Campina Grande |
pt_BR |
dc.language |
por |
pt_BR |
dc.title.alternative |
Recognition of musical instruments using machine learning: a case study. |
pt_BR |
dc.identifier.citation |
ALMEIDA, Gabryelle Soares Herculano de. Reconhecimento de instrumentos musicais utilizando machine learning: um estudo de caso. 2023. 9f. (Trabalho de Conclusão de Curso - Artigo), Curso de Bacharelado em Ciência da Computação, Centro de Engenharia Elétrica e Informática , Universidade Federal de Campina Grande – Paraíba - Brasil, 2023. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/30435 |
pt_BR |