|
|
|
|
| LEADER |
03462na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2018 ci ||||| m||| 00| 0 en d |
| 035 |
|
|
|a (HR-ZaFER)ferid5492
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Papež, Luka
|
| 245 |
1 |
0 |
|a Optičko raspoznavanje glazbe temeljeno na konvolucijskim modelima :
|b diplomski rad /
|c Luka Papež ; [mentor Zoran Kalafatić].
|
| 246 |
1 |
|
|a Optical Music Recognition Based on Convolutional Models
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b L. Papež,
|c 2018.
|
| 300 |
|
|
|a 51 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2018-06-29, datum završetka: 2018-07-17
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Optičko raspoznavanje glazbe (engl. Optical Music Recognition odnosno OMR) je područje istraživanja fokusirano na ekstrakciju informacija iz slika glazbene notacije (partitura). Ovaj rad započinje kratkim pregledom postojećih istraživanja u području optičkog raspoznavanja glazbe. Problem transkripcije glazbene notacije u tekst je postavljen kao problem prevođenja jezika te su primjenjene metode strojnog učenja za rješavanje. Prroblemu je pristupljeno s cjelovitim pristupom sustava s-kraja-na-kraj odnosno sustav sam uči funkcionalnost samo iz prezentiranih ulaznih slika i očekivanog izlaza. Radi toga je generiran umjetni skup podataka s visokim brojem uzoraka temeljen na metodi pronađenoj u prethodno objavljenim radovima. Cjeloviti transkripcijski sustav temeljen na enkoder-dekoder arhitekturi neuronskih mreža je implementiran i uspoređen sa srodnim usporednim modelima. Zanimljiva moguća sekundarna primjena razvijenog sustava za spajanje kompresiju ili kompresiju notnih zapisa je prikazana. Rad završava opširnim pregledom mogućih budućih istraživačkih smjerova u području cjelovitih s-kraja-na-kraj transkripcijskih sustava.
|
| 520 |
3 |
|
|a Sažetak na engleskom: Optical Music Recognition (OMR) is a field of research focusing on extracting information from images of music notation (scores). The work begins with short overview of existing OMR research. The problem of score-to-text transcription is posed as a language translation problem and tackled with machine learning techniques. A decision is made to tackle the problem end-to-end meaning that the entire functionality is automatically learned by presenting the system with available input and desired output. To achieve this, a large synthetic dataset of musical scores and their textual description is created using a method based on previous research. An end-to-end OMR transcription system based on a encoder-decoder neural network architecture is implemented and evaluated against related baseline models. Although the system provides some functionality, substantial improvement for real-world application is required. Interesting possible side-applications of developed system for score fusion or compression are presented. The work ends with a large overview of possible future research directions regarding end-to-end OMR systems.
|
| 653 |
|
1 |
|a strojno učenje
|a optičko raspoznavanje glazbe
|a neuronske mreže
|a konvolucijske neuronske mreže
|a rekurzivne neuronske mreže
|
| 653 |
|
1 |
|a machine learning
|a optical music recognition
|a neural networks
|a convolutional neural networks
|a recurrent neural networks
|
| 700 |
1 |
|
|a Kalafatić, Zoran
|4 ths
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 49709
|d 49709
|