{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2866370"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2866370","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Music multitask learning with Deep Neural Networks","abstract":"Τα 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.","abstract_html":"Τα 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.","abstract_has_math":false,"creators":["Σγουρόπουλος Δημήτρης","Sgouropoulos Dimitris"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:34:44Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2866370"],"render_values":[{"text":"uoadl:2866370","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2866370","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2866370","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2866370","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σγουρόπουλος Δημήτρης","Sgouropoulos Dimitris"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2866370","https://pergamos.lib.uoa.gr/uoa/dl/object/2866370"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα 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.","In recent years machine learning has had significant breakthroughs in many fields mainly through the use of Artificial Neural Networks (ANN). After decades of remaining in obscurity due to inadequate results compared to competing techniques, mostly because of lack of processing power and available data, they have recently returned to the forefront of scientific machine learning experimentation. The main reason for this return was the continued success in international contests which showed substantially improved results over the state of the art, at the time, and even compared to a human agent in image object classification. Following that breakthrough, a trend of using neural networks began to emerge which brought to the forefront the area of Deep Learning. Informally, that area constitutes the usage of increasingly deeper and more complex network architectures in order to solve more complicated problems while exploiting the abundance of data that the current technological age offers. The subject of this master thesis is to use a special case of ANN called Convolutional Neural Networks, in the context of multitask learning from spectrogram images originating from music data. The goal of the learning process is to accurately predict various song characteristics stemming either directly from the signal (e.g. energy) or inferred (e.g. valence), by exploiting the synergy between them."]},{"key":"dc:title","label":"Title","values":["Music multitask learning with Deep Neural Networks"]}]}],"canonical_facts":{"dc:creator":["Σγουρόπουλος Δημήτρης","Sgouropoulos Dimitris"],"dc:date":["2019"],"dc:description":["Τα 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.","In recent years machine learning has had significant breakthroughs in many fields mainly through the use of Artificial Neural Networks (ANN). After decades of remaining in obscurity due to inadequate results compared to competing techniques, mostly because of lack of processing power and available data, they have recently returned to the forefront of scientific machine learning experimentation. The main reason for this return was the continued success in international contests which showed substantially improved results over the state of the art, at the time, and even compared to a human agent in image object classification. Following that breakthrough, a trend of using neural networks began to emerge which brought to the forefront the area of Deep Learning. Informally, that area constitutes the usage of increasingly deeper and more complex network architectures in order to solve more complicated problems while exploiting the abundance of data that the current technological age offers. The subject of this master thesis is to use a special case of ANN called Convolutional Neural Networks, in the context of multitask learning from spectrogram images originating from music data. The goal of the learning process is to accurately predict various song characteristics stemming either directly from the signal (e.g. energy) or inferred (e.g. valence), by exploiting the synergy between them."],"dc:identifier":["uoadl:2866370","https://pergamos.lib.uoa.gr/uoa/dl/object/2866370"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Music multitask learning with Deep Neural Networks"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:34:44Z"}