Caracterização de estilos musicais por técnicas de aprendizado de máquina e redes complexas

• Processo: 13/20182-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de dezembro de 2013
• Data de Término da vigência: 31 de maio de 2014
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Débora Cristina Corrêa
• Beneficiário: Raphael Smecellato Marcari
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Redes complexas Reconhecimento de padrões Agrupamento de dados Arranjo musical Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Agrupamento de Dados | Aprendizado de Máquina | gêneros musicais | Recuperação da Informação Musical | Redes Complexas | Reconhecimento de Padrões

Resumo

A quantidade de informação musical disponível na Internet e em aplicações de dispositivos móveis é enorme e tem crescido consideravelmente ao longo da última década. Com isso, torna-se ainda mais fundamental a necessidade de se organizar, compactar, representar e indexar grande volume de dados. Neste contexto, estilos musicais são descritores importantes, pois sumarizam padrões entre músicas e são organizados há décadas na organização de grandes bancos de dados. Este projeto propõe a aplicação de métodos de reconhecimento de padrões e aprendizado de máquina para classificar estilos musicais. Para tal, propõe-se verificar a contribuição de medidas extraídas da melodia e da percussão de músicas de diferentes gêneros através de arquivos MIDI. O desempenho das características extraídas será verificado em técnicas de classificação supervisionada, de agrupamento de dados e aprimoradas com o uso de grafos. A motivação principal é possibilitar uma generalização da taxonomia de estilos a partir da classificação automática dos mesmos. Para a classificação supervisionada, será adotado o método k-nn, e o classificador Gaussiano. Para o agrupamento de dados, é proposto o uso dos métodos de agrupamento particional e agrupamento hierárquico. A avaliação de desempenho será efetuada através de métricas obtidas a partir da matriz de confusão, como, por exemplo, o coeficiente Kappa, e a acurácia de classificação.