Generování harmonického doprovodu melodie pomocí neuronových sítí
Loading...
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Práce se zabývá návrhem, učením a vyhodnocením rozdílných modelů, jejichž účelem bylo pro poskytnutou sekvenci tónů (melodii), vygenerovat harmonický doprovod, tvořený akordy.Učení modelu bylo podmíněno tvorbou rozsáhlého datového souboru, složeného z melodických a harmonických dvojic. Ten byl vytvořený zpracováním velkého množství MIDI souborů, do formátu vhodného k reprezentaci neuronovými sítěmi.Oba navržené modely byly založeny na hlubokých rekurentních neuronových sítích. První model byl diskriminativní logistický klasifikátor. Druhý, generativní model, byl založený na variačním autoenkodéru.Dále je popsáno vyhodnocení obou modelů na nezávislých datech. To bylo prováděno pomocí testování shody mezi vygenerovanými a referenčními daty. Dále pak porovnáním vlastností melodie a vygenerovaného doprovodu.
The aim of this thesis was to design, learn a evaluate distinct models whose purpose was to generate harmonic accompaniment consisting of chords for given melody.The learning was conditioned by the creation of a large dataset consisting of melodic and harmonic pairs. The dataset was created by processing a large ammount of MIDI files, into the format which is more natural for neural networks.Both models were based on deep recurrent neural networks. First model was a discriminative logistic classifier. Second model was generative and based on a variational autoencoder.The evaluation of both models was done on independent data. It was performed using measuring similarity between the generated and the reference data. Another accuracy metric consisted of measuring properties between melody and generated data.
The aim of this thesis was to design, learn a evaluate distinct models whose purpose was to generate harmonic accompaniment consisting of chords for given melody.The learning was conditioned by the creation of a large dataset consisting of melodic and harmonic pairs. The dataset was created by processing a large ammount of MIDI files, into the format which is more natural for neural networks.Both models were based on deep recurrent neural networks. First model was a discriminative logistic classifier. Second model was generative and based on a variational autoencoder.The evaluation of both models was done on independent data. It was performed using measuring similarity between the generated and the reference data. Another accuracy metric consisted of measuring properties between melody and generated data.
Description
Subject(s)
neuronová síť, hudba, neural network, music