Сегодня системы машинного обучения способны распознавать изображения, синтезировать и делать перевод между языками, но, кажется, мы пренебрегаем их культурным развитием. Ведь может оказаться, что будущие правители на этой планете будут в значительной степени невежественны в классической музыке.
Это достаточно плохо, ведь человечество будет порабощено вульгарными субъектами. Новый проект нацелен на то, чтобы изменить это положение с набора произведений великих композиторов для компьютеров.
Проект MusicNet задуман и скомпилирован в Вашингтонском университете. Это попытка применить для анализа классической музыки инструмент, который широко используется для компьютерного зрения в ImageNet.
MusicNet является скорее созданием стандартного набора данных для обучения и оценки. ImageNet используется учеными и студентами для обучения и оценки систем компьютерного зрения, а другие наборы данных могут использоваться для переводов, распознавания лиц и так далее.
Начнем с того, что MusicNet содержит 330 аудиозаписей классической музыки, доступной онлайн из нескольких источников. Здесь виден крен в сторону Бетховена и соло на фортепиано, наверное потому что фортепианные сочинения Бетховена довольно популярны. Но есть и десятки произведений Шуберта, Брамса, Моцарта, Баха и так далее, хотя, к сожалению, нет Шопена и Чайковского.
Каждая синхронизированная запись аннотирована, длительность каждой ноты измерена, вплоть до миллисекунд. Это обычно очень трудоемкий процесс, но ученые использовали специальную методику, называемую динамическая деформацию времени для сопоставления с идеально записанными нотами отдельных произведений, в которых творческие способности и артистизм исполнителя вызывают отклонение от оригинала.
Автоматизированный подход все-таки был проверен вручную музыкантами и позволил повысить точность обработки музыки, сделать процесс гораздо менее трудоемким.Сегодняшняя ситуация в распознавании музыки сродни той, что была десять лет назад в машинном зрении, прежде чем модели глубокого обучения начали тренироваться на таких базах данных, как ImageNet, заменивших более примитивные системы.
Команда установила несколько машинных систем обучения для таких задач, как тестовый прогон моделей, обучаемых на данных MusicNet. Первые результаты внушают оптимизм. Модели действуют лучше после обучения на MusicNet, чем на традиционно аннотированных произведениях, производят более точные нотные карты для новых аудиозаписей.
Зарождающиеся модели анализа музыки находятся в зачаточном состоянии. Но и системы машинного зрения вначале могли определить лишь то, разные или нет два изображения.
В будущем планируется использовать нейронные сети, чтобы анализировать более сложные параметры. Создатели проекта призывают других исследователей добавлять музыкальные произведения к набору данных, что поможет расширить и углубить понимание для любой модели, обученной на нем.
Комментарии
(0) Добавить комментарий