Jovana Kostreš, SW51/2017
Marija Ćurčić, SW24/2017
Asistent
Dragan Vidaković
Definicija problema
Prepoznavanje visine tona i instrumenta kojim je taj ton odsviran. Na ulazu je .wav datoteka koja sadrži zvuk nekog instrumenta u određenom muzičkom tonu. Dat je ograničen skup instrumenata koji će se pojavljivati. Pored instrumenta, potrebno je odrediti ton u muzičkoj lestvici i oktavu kojoj pripada. Primer izlaza: Violin, D#4
Motivacija problema
Rešenje ovog problema može se upotrebiti u muzičkoj transkripciji.
Za obradu zvuka koristićemo biblioteku LibROSA.
Osobina zvuka bismo izdvojile pomoću MFCCs.
Za klasifikaciju i trening koristile bismo više različitih CNN mreža, i izabrale onu koja daje najbolje rezultate.
U slučaju da su nam podaci neizbalansirani, koristile bismo Python-ovu biblioteku Imbalanced-learn.
Evaluacija
Skup podataka ćemo podeliti na skupove za trening, test i validaciju. Efikasnost bismo odredile korišćenjem metrika accuracy i loss.
Tim
Jovana Kostreš, SW51/2017 Marija Ćurčić, SW24/2017
Asistent
Dragan Vidaković
Definicija problema
Prepoznavanje visine tona i instrumenta kojim je taj ton odsviran. Na ulazu je .wav datoteka koja sadrži zvuk nekog instrumenta u određenom muzičkom tonu. Dat je ograničen skup instrumenata koji će se pojavljivati. Pored instrumenta, potrebno je odrediti ton u muzičkoj lestvici i oktavu kojoj pripada. Primer izlaza: Violin, D#4
Motivacija problema
Rešenje ovog problema može se upotrebiti u muzičkoj transkripciji.
Skup podataka
Za skup podataka koristile bismo TinySOL i/ili UIOWA:MIS.
Metodologija
Za obradu zvuka koristićemo biblioteku LibROSA. Osobina zvuka bismo izdvojile pomoću MFCCs. Za klasifikaciju i trening koristile bismo više različitih CNN mreža, i izabrale onu koja daje najbolje rezultate. U slučaju da su nam podaci neizbalansirani, koristile bismo Python-ovu biblioteku Imbalanced-learn.
Evaluacija
Skup podataka ćemo podeliti na skupove za trening, test i validaciju. Efikasnost bismo odredile korišćenjem metrika accuracy i loss.