National and Kapodistrian University of Athens
Music multitask learning with Deep Neural Networks
Abstract
dc:descriptionΤα τελευταία χρόνια ο κλάδος της μηχανικής μάθησης έχει καταφέρει σημαντική πρόοδο σε πολλές ερευνητικές περιοχές χρησιμοποιώντας Τεχνητά Νευρωνικά Δίκτυα (ΤΝΝ). Παραμένοντας στην αφάνεια για αρκετές δεκαετίες λόγω χαμηλής απόδοσης σε σχέση με ανταγωνιστικές τεχνικές μάθησης, γεγονός που οφείλεται κατά κύριο λόγο στην περιορισμένη υπολογιστική ισχύ της εποχής και στην έλλειψη δεδομένων, επέστρεψαν πρόσφατα στο επίκεντρο της επιστημονικής έρευνας. Kύριο λόγο αποτέλεσε η επιτυχία των ΤΝΝ σε διεθνείς διαγωνισμούς που εμφάνισε αποτελέσματα καλύτερα στην αναγνώριση αντικειμένων σε εικόνες τόσο σε σχέση με το state of the art της περιόδου αλλα και συγκριτικά με την ανθρώπινη ικανότητα. Ακολουθώντας αυτή την επιτυχία, ξεκίνησε μια τάση χρήσης νευρωνικών δικτύων ολοένα και περισσότερο που με την σειρά της επανέφερε στην επικαιρότητα τον κλάδο του Deep Learning. Η περιοχή αυτή αφορά την χρήση βαθύτερων και πολυπλοκότερων αρχιτεκτονικών δικτύων εκμεταλλευόμενη την πληθώρα δεδομένων που η τρέχουσα τεχνολογική περίοδος προσφέρει. Το θέμα της παρούσας μεταπτυχιακής διπλωματικής είναι η χρήση μια ειδικής περίπτωσης ΤΝΝ λεγόμενα Νευρωνικά Δίκτυα Συνέλιξης, στο πλαίσιο της μάθησης πολλαπλών χαρακτηριστικών από εικόνες φασματογραφημάτων που απεικονίζουν μουσικά ηχητικά δεδομένα. Ο στόχος της διαδικασίας μάθησης είναι η πρόβλεψη διαφόρων χαρακτηριστικών των τραγουδιών που προκύπτουν τόσο άμεσα από το σήμα (π.χ. ενέργεια) όσο και έμμεσα (π.χ. συναίσθημα), εκμεταλλευόμενος την συνέργεια μεταξύ τους.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Σγουρόπουλος Δημήτρης
- Sgouropoulos Dimitris
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:2866370