Članovi tima: Stefan Milošević SW37/2019 (grupa 3)
Asistent: Milica Škipina
Problem koji se rešava:
Automatsko klasifikovanje muzike po žanru je dugo postojeći problem pre svega zbog nepostojanja jasno definisanih pravila za razlikovanje žanrova. Cilj je napraviti pouzdan model za klasifikaciju.
Algoritam:
Konvolucione neuronske mreže(CNN). Audio podaci će se konvertovati u spektrogram koji će se kasnije obrađivati pomoću CNN-a koji je dobar za klasifikaciju slika.
Podaci koji se koriste:
GTZAN dataset - Najpopularniji skup podataka u ovoj oblasti. Ovaj skup podataka sadrži 10 klasa/žanrova, svaki od njih ima 100 isečaka pesama.
Možda još neki skup podataka
Metrika za merenje performansi:
Tačnost algoritma u pogađanju žanra pesme
Validacija rešenja:
Ulazni skup podataka će se podeliti. 80% za treniranje modela i 20% podataka će služiti za validaciju.
Članovi tima: Stefan Milošević SW37/2019 (grupa 3)
Asistent: Milica Škipina
Problem koji se rešava: Automatsko klasifikovanje muzike po žanru je dugo postojeći problem pre svega zbog nepostojanja jasno definisanih pravila za razlikovanje žanrova. Cilj je napraviti pouzdan model za klasifikaciju.
Algoritam: Konvolucione neuronske mreže(CNN). Audio podaci će se konvertovati u spektrogram koji će se kasnije obrađivati pomoću CNN-a koji je dobar za klasifikaciju slika.
Podaci koji se koriste: GTZAN dataset - Najpopularniji skup podataka u ovoj oblasti. Ovaj skup podataka sadrži 10 klasa/žanrova, svaki od njih ima 100 isečaka pesama. Možda još neki skup podataka
Metrika za merenje performansi: Tačnost algoritma u pogađanju žanra pesme
Validacija rešenja: Ulazni skup podataka će se podeliti. 80% za treniranje modela i 20% podataka će služiti za validaciju.