การเสริมสร้าง Pitch Class Profile ในการเรียนรู้และจดจำคอร์ด ด้วย Convolution Neural Network

ผู้วิจัย

ลิตา วรรณตรง ณปภัช วรรณตรง

บทคัดย่อ

บทคัดย่อ คอร์ด คือเสียงโน้ตที่หลากหลายซึ่งสามารถเล่นให้เกิดเสียงได้ในเวลาเดียวกัน การแกะคอร์ดเป็นงานที่ยุ่งยากที่ต้องอาศัยผู้เชี่ยวชาญ จึงได้มีงานวิจัยจำนวนมากที่ศึกษาการเรียนรู้และจดจำคอร์ด (chord recognition) เพื่อช่วยในการแกะคอร์ดอัติโนมัติ PCP เป็นวิธีหนึ่งที่นิยมใช้ในการเรียนรู้และจำแนกคอร์ด แต่ยังทำได้ได้ไม่ดีนักเนื่องจากยังไม่สามารถขจัดสัญญาณที่ไม่ใช่ฮาร์โมนิค (non-harmonic)ได้อย่างมีประสิทธิภาพเพียงพอ ส่งผลให้ความถูกต้องในการจำแนกคอร์ดลดลง งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อขยายความสามารถ PCP เพื่อที่จะแก้ไขข้อจำกัด โดยจะนำเสนอวิธี Learning Feature โดยการสกัดคุณลักษณะ (Feature extraction)และจำแนกคอร์ด (Classification Feature) ไปพร้อม ๆ กันด้วย Convolution Neural network โดยงานวิจัยนี้ประกอบด้วย 2 ขั้นตอน ขั้นตอนแรกใช้ PCP ที่เพิ่มส่วนการกรองคอร์ด (chord filter) เข้าไป ขั้นตอนที่สองคือ learning feature ใน PCP ที่มีกระบวนการกรองคอร์ด การเรียนรู้และจดจำคอร์ดโดยPCP ที่มีกระบวนการกรองคอร์ดด้วย Convolution Neural network ให้ค่าความถูกต้องที่มากกว่าPCP ที่ไม่มีกระบวนการกรองคอร์ด 2.1% คำสำคัญ: Chord recognition, Convolution Neural network, PCP

บรรณานุกรม

[1] S. V. Vaseghi, “Multimedia Signal Processing Theory and Applications in Speech, Music and Communications”, England: John Wiley & Sons, 2007 : pp 447-448. [2] Müller and Meinard, “Fundamentals of Music Processing”, Springer International Publishing, 2015. [3] K. Lee, “Automatic chord recognition from audio using enhanced pitch class profile”, Proc. International Computer Music Conference, (n.p.) : 306-313, 2006. [4] K. Muludi, Aristoteles, and A.F. S. Loupatty, “Chord Identification Using Pitch Class Profile Method With Fast Fourier Transform Feature Extraction”, IJCSI International Journal of Computer Science Issues, Vol. 11, Issue 3, No 1, May 2014 [5] T. Fujishima, “Realtime Chord Recognition of Musical Sound a System Using Common Lisp Music", Proc. of International Computer Music Conference. Beijing, China, 1999. [6] V. Phongthongloa, S. Kamonsantiroj and L. Pipanmaekaporn, “Learning hight-level feathers for chord recognition using Autoencoder Neural Network”, Master Degree Thesis. King Mongkut's University of Technology North Bangkok Bangkok, Thailand, 2015. [7] E. J. Humphrey and J. P. Bello, “Rethinking Automatic Chord Recognition with Convolution Neural Networks”, 11th International Conference on Machine Learning and Application, 2012. [8] F. Korzeniowski and G. Widmer, “Feature Learning For Chord Recognition: The Deep Chroma Extractor”, Proceeding Of the 17th ISMIR Conference New York City, USA. August 7-11, 2016. [9] F. Korzeniowski and G. Widmer, “A fully Convolutional Deep Auditory Model For Musical Chord Recognition”, IEEE International Workshop of Machine Learning For Signal Processing 13-16, Salerno, Italy, 2016. [10] J. Pons, T. Lidy and X. Serra, “Experimenting with Musically Motivated Convolutional Neural Network”, IEEE, 2016. [11] M. Izumo et al., “TiMidity++”, Available : http://timidity.sourceforge.net/ March, 2017. [12] D. Sleator and D.Temperley, “The Melisma Music Analyzer”, Available : http://www.link.cs.cmu.edu/music-analysis/ March, 2017. [13] A. Pacharawongsakda, “Introduction to Data Mining Techniques”, Data Cute, 2014.