music information retrieval
Post on 24-Jun-2015
591 Views
Preview:
TRANSCRIPT
+
Cuantificación de recurrencias en tareas de
recuperación de información musical
Sergio Bromberg U. San Buenaventura, Cali
ε+ 1
+
yo compré dos, pero descargué como 15. Hay un cambio radical en la forma en que la música se distribuye
¿Cuántos CDs compró este año?
• ¿Cómo organizar semejante colección?
• ¿Cómo ofrecer nuevos contenidos?
• ¿Cómo luchar contra la “payola”?
• ¿Cómo detener a Shakira?
+Más explicitez…
Tengo 78 versiones de “Yesterday” ¿Cuál es la original?
Quiero una versión acústica del “Bolero Falaz”
Quiero escuchar una canción igual de “funky” a la que acabo de escuchar.
Quiero escuchar una canción que me relaje.
Quiero subir agitar el ambiente de la fiesta.
+Dos soluciones posibles.
1. Metadatos:
• Datos adjuntos a la cancion
• Compositor, intérprete,
álbum, año, género, etc..
2. Contenido:• Análisis de señal
+Solución 1: Metadatos
(son suficientes a veces)
Usuarios
• Inconsistentes
• Dependientes de la cultura
• Ausentes• Demasiado
específicos• Demasiado
generales
Expertos
• Que rico es clasificar 3 millones de canciones ! Problema
s
ejemplos: “Latin”, “World Music”Otros problemas: “cold start”, “new item”
800.000 cancionesx 30 min/cancion[]= 24 M de minutos= 45 años (sin dormir)
Muy difícil!
Music Genome Project
+Dos soluciones posibles.¿Complementarias?
2. Contenido:• Análisis de señal
1. Metadatos
Usuario Experto
Funciona en muchos casos pero tiene sus inconvenientes DE ESTO VOY A HABLAR HOY
[Content-based Music Information Retrieval]
+Contenido
1. Introducción Distribución de música Problemas asociados a las grandes bases de datos Metadatos: usuario vs. experto Metadatos vs. contenidos
2. RIM basada en contenido Necesidades Planos musicales Técnicas Flujo de trabajo Clasificación Hoyo semántico
3. Para finalizar Aplicaciones Grupos de investigación
+
Diferenciación de género musical
Diferenciación entre
compositores
Clasificación de
emociones
Similitudentre
canciones
Volvamos a (algunas) necesidades de alto nivel
Ej. Rock, Jazz:• Complejidad en las
progresiones armónicas• Instrumentación (timbre)• Complejidad melódica
(debido a la improvisación)• Diferencias rítmicas.
• Estructura de las progresiones armónicas
• Evolución tímbrica• Instrumentación
Nomás a modo de ejemplo…
• ¿?• Tonalidad?• Instrumentación
?
• Similitud armónica
• Melódica• Tal vez
estructural
+¿Qué tenemos que modelar?
Timbre Ritmo
Armonía/tonalidad Estructur
a
Emoción?
+TIMBRE
Definición: “Lo que nos permite diferenciar entre dos instrumentos
cuando tocan la misma nota” “Todo aquello que no es ni intensidad ni frecuencia
fundamental…”
La “forma” del espectro es lo más relevante aquí.
¿Y qué pasa con la psicoacústica y la percepción?
+TIMBREDescriptores de bajo nivel
Spectral Centroid:
El centroide del espectro
Su “centro de gravedad”
Sonidos brillantes tienen mayor centroide
Spectral spread: Qué tan tanto nos alejamos del centroide
+TIMBREDescriptores de bajo nivel
Spectral Skewness:
Qué tan inclinado está el espectro
Centroid, spread, skewness
media varianza
Momentos estadístico
s
skewness?
+TIMBREDescriptores de bajo nivel
Spectral roll-off:
Frecuencia por debajo de la cual está el 95% de la energía. 95%
Spectral brightness:
Energía por encima de cierta frecuencia
f
+TIMBREDescriptores de bajo nivel
Mel frequency cepstral coefficients (MFCCs):
Espectro Reescalamiento de las frecuencias(Escala de Mel) + bandas críticas
Espectrodel espectro !!!
2
1
3
Nos da una idea gruesa de la forma del espectro
Muy usados en procesamiento del habla
+TIMBREDescriptores de bajo nivel
Existen más descriptores:
• Inharmonicity• Noisiness• Odd-Even harmonic ratio• Spectral Flux (derivada del espectro)• Spectral flatness• Unos que no recuerdo• Otros que se le ocurran a usted. Hay mucho por hacer
aún!
+Prosigamos…
Timbre Ritmo
Armonía/tonalidad Estructur
a
Emoción?
+Ritmo: un par de problemas fundamentales
Detección de “onsets” (eventos?)
Problemas: • Tempo subjetivo• Síncopas.
Antes que nada, querríamos :
1
tempo pepas
2
compás
3
Usa la autocorrelación Usa la autocorrelación
+Melodía
Extracción de melodía
Dominio del tiempo
Dominio de la frecuencia
Multitud de aproximaciones !!
Un problema muy difícil! Sobre todo en sonidos polifónicos
Separación de fuentes, uno de los problemas más desafiantes de todos…
+Armonía
No me interesa cada instrumento por separado
Simplifica mucho el problema !!!
1 2 3 4 5
“mapeo” el espectro a una octava.
octava
+Estructura
Matrices de similaridad
[Yu Shiu, et al., 2006 ]
Se parecen: ¿verso?
Similaridad armónica, o de otro tipo, no del audio!
+Flujo de trabajo para el análisis
…
Señal
Segmentación
Espectro
Envolvente
Descriptores temporales
Descriptores temporales instantáneos
Descriptores espectrales instantáneos
¿Cómo los resumimos?
¿Promedio?
+Clasificación
Entrenamos al sistema
y clasificamosTécnicas de inteligencia
artificial
+Resumen de esta parte
1 Preguntas:
• Clasificación automática
• Similaridad
2 Métodos computacionales de descripción de la música
Timbre Ritmo EstructuraMelodíaArmonía
3Los resumimos de alguna manera, dependiendo de la aplicación
+Un apunte filosófico
BA
JO N
IVEL
NIV
EL
MED
IOA
LTO
N
IVEL
S. centroid
Zero crossing rate
brightness
skewness spread
noisiness
armonía
melodía
EMOCIÓN
tonalidad
ritmo
COMPRENSIÓN
EL HOYO SEMÁNTICO
Un campo interdisciplinar
Ejemplo: • Velandia y la tigra:
“irreverente”• Búsqueda de
imágenes
+Centros de investigación
Universidad Pompeu Fabra, Barcelona
Centre for Interdisciplinary Research in Music Media and Technology. McGill University, Canada
Institut de Recherche et Coordination Acoustique/Musique, París, Francia
Center for Digital Music, Queen Mary University, Londres
Center for Computer Research in Music and Acoustics, Universidad de Stanford, Estados Unidos.
+Aplicaciones
Steinberg - LoopMash (desarrollado por MTG):
http://www.youtube.com/watch?v=SuwVV9zBq5g
Seguidor de acordes en tiempo real
http://www.youtube.com/watch?v=JOCjey2g1fo
Mr. Emo: Explorador de música usando emociones
http://www.youtube.com/watch?v=ra55xO20UHU
+Bibliografía
Casey, M.A, Content-Based Music Information Retrieval: Current Directions and Future Challenges, Proceedings of the IEEE, 96 Issue:4, 2008.
Orio, N., Music Retrieval: A Tutorial and Review, now publishers Inc (10 Oct 2006)
Peeters, G. A large set of audio features for sound description (similarity and classification) in the CUIDADO project CUIDADO I.S.T
Yu Shiu, et al, Similarity Matrix Processing for Music Structure Analysis, AMCMM’06, October 27, 2006.
+
¿Preguntas?
top related