عنوان فارسی: دانلود ترجمه مقاله یک مبنا از تشخیص موسیقی نوری تا شناسایی موسیقی دست‌نویس

مقاله انگلیسی+ترجمه فارسی

فهرست مطالب

چکیده
۱- مقدمه
۲- مطالعات مرتبط
۲-۱- رویکردهای سنتی
۲-۲- رویکردهای مبتنی بر یادگیری عمیق
۲-۳- رویکردهای مربوط به پارتیتورهای دست‌نویس
۲-۴- خلاصه
۳- معماری پیشنهادی
۴- داده افزایی و یادگیری انتقالی
۵- آزمایش
۵-۱- مجموعه داده ها
۵-۲- ارزیابی
۵-۳- نتایج مربوط به اسناد چاپی
۵-۴- نتایج مربوط به اسناد دست‌نویس
۵-۵- مقایسه با نرم افزار تجاری OMR
۵-۶- بحث
۶- نتیجه گیری و کار آینده
منابع

چکیده

تشخیص موسیقی نوری (OMR) شاخه ای از تجزیه و تحلیل تصویری سند محسوب می شود که در پی تبدیل تصاویر پارتیتورها به صورتی قابل خوانش توسط کامپیوتر می باشد. به رغم دهه ها تحقیق، تشخیص پارتیتورهای دست‌نویس که در اصل نت‌نگاری غربی است، همچنان یک مساله مفتوح بوده و آثار معدودی وجود دارند که تنها بر روی مرحله خاصی از OMR تمرکز نموده اند. در اثر حاضر، ما سیستم کاملی از تشخیص موسیقی دست‌نویس (HMR) را بر اساس شبکه های عصبی بازگشتی پیچشی، داده افزایی و یادگیری انتقالی پیشنهاد نمودیم که می تواند به عنوان مبنایی برای جامعه تحقیقاتی عمل نماید.

Abstract

Optical Music Recognition (OMR) is the branch of document image analysis that aims to convert images of musical scores into a computer-readable format. Despite decades of research, the recognition of handwritten music scores, concretely the Western notation, is still an open problem, and the few existing works only focus on a specific stage of OMR. In this work, we propose a full Handwritten Music Recognition (HMR) system based on Convolutional Recurrent Neural Networks, data augmentation and transfer learning, that can serve as a baseline for the research community.

نمونه ترجمه مقاله:

برای قرن های متمادی، ثبت موسیقی و انتقال آن به نسل های مختلف از طریق صفحات نت موسیقی صورت می پذیرفته است. شگفت انگیز نیست که دیجیتال سازی و آوانگاری[1] پارتیتورهای موجود در آرشیوها و موزه ها اهمیت چشمگیری در حفظ و اشاعه میراث موسیقایی ما یافته است. با توجه به آنکه هنوز هزاران پارتیتور وجود دارند که در صف آوانگاری قرار دارند، آوانگاری دستی ناممکن بوده و لذا تحقیقات در زمینه روش های آوانگاری خودکار موسیقی، ضرورت می یابد.

تشخیص موسیقی نوری (OMR) را می توان به عنوان تبدیل تصاویر پارتیتورها به صورتی قابل خوانش توسط ماشین تعریف نمود (به عنوان مثال MusicXML، MEI، MIDI و غیره). حوزه مزبور، برای بیش از پنج دهه حوزه تحقیقاتی فعالی محسوب می شده [1،2] و نرم افزارهای OMR تجاری بسیاری مانند PhotoScore و یا SharpEye وجود دارند که در شرایط نسبتاً مناسب از عملکرد مناسبی برخوردارند. با این حال، در برخورد با پارتیتورهای دست‌نویس، دقت آن ها به صورت چشمگیری کاهش می یابد که عمدتاً به دلیل تنئوع زیاد در سبک دست‌نویسی است. متاسفانه، اغلب آهنگ های موسیقی ناشناخته موجود در آرشیوها در واقع، پارتیتورهای دست‌نویس می باشند. به همین دلیل، برای غلبه بر این محدودیت، فعالیت های پژوهشی بیشتری باید بدین امر اختصاص یابند.

اگر چه توجه به OMR با ظهور یادگیری عمیق برانگیخته شده اما تا جایی که می دانیم، روش های معدود موجود که در پی شناسایی پارتیتورهای دست‌نویس هستند عمدتاً بر حل مرحله خاصی از OMR، مانند تجزیه و تحلیل چیدمان [3] یا تشخیص و طبقه بندی الگوهای اولیه گرافیکی [4] و یا نمادهای موسیقی [5،6] متمرکز شده اند. با این حال، در مورد خاص موسیقی کلاسیک غرب، پارتیتورها اسناد پیچیده ای هستند که از حامل ها[2] (پنج خط افقی)، نمادهای موسیقی (به عنوان مثال نت ها، سکوت ها، علائم عرضی یا اکسیدنتال ها)، خطوط اتصال[3]، رنگ های ثانوی[4]، نشانه های دینامیک [شدت صوت] و تمپو، اشعار، و غیره تشکیل شده اند. بنابراین، ما بر این باوریم که اکنون زمان تمرکز بر روی تشخیص کامل فرا رسیده است.

[1] transcription

[2] staves

[3] slurs

[4] ornaments