Seminários

Será apresentado um sistema para aprender características do áudio automaticamente de um maneira não-supervisionada. O método primeiro aprende um dicionário super-completo o qual pode ser usado para decompor esparsamente espectrogramas espaçados logaritmicamente. Em seguida, é treinado um codificador eficiente que mapeia rapidamente novas entradas para aproximações de suas representações esparsas usando o dicionário aprendido. Isto evita custosos procedimentos iterativos normalmente exigidos para a inferência de códigos esparsos. Estes códigos esparsos são utilizados como entradas para uma Máquina de Suporte Vetorial linear (Support Vector Machine - SVM). Este sistema atinge 83.4% de acurácia ao predizer gêneros musicais no banco de dados GTZAN, o que é competitivo com abordagens empregadas atualmente. Além disso, o uso de um classificador linear simples combinado com um sistema eficiente de extração de características permite que a abordagem seja escalável em bancos de dados grandes.

A maioria dos features usado em MIR (music information retrieval) são inspirados por trabalhos de reconhecimento de fala/voz e são variações do espectrograma. Recentemente, representações esparsas e relativas ao tempo receberam muita atenção. Essas representações são eficazes e evitam o trade-off entre tempo e frequência na transformação de Fourier. Mas pouco trabalho foi conduzido com streams de música. Esse trabalho explora esses features no contexto de sinais musicais, com foco em exemplos de músicas reais como entrada para a apredizagem supervisionada.