National and Kapodistrian University of Athens
Πρόβλεψη και αναγνώριση της συναισθηματικής κατάστασης και ατμόσφαιρας στη μουσική με τη χρήση νευρωνικών δικτύων.
Abstract
dc:descriptionΣτη σημερινή εποχή η χρήση μοντέλων μηχανικής μάθησης ολοένα και ενσωματώνεται σε τεχνολογικές εφαρμογές που χρησιμοποιούμε καθημερινά. Καθώς η τεχνολογία ενσωματώνει αλγορίθμους μηχανικής μάθησης για την αυτοματοποίηση προβλέψεων και λήψης αποφάσεων μιμούμενη ανθρώπινες λειτουργίες, δημιουργούνται μετατοπίσεις στους τρόπους με τους οποίους αποδίδουμε σημασία και νόημα στην πληροφορία που καταναλώνουμε ως χρήστες ή δέκτες αυτής. Η μελέτη αυτή εστιάζει στη νοηματοδότηση πληροφορίας της ηχητικής εμπειρίας και της μουσικής. Ερευνά την έννοια της ετικέτας ως διεπαφή μέσα από το πρίσμα των σύγχρονων υπηρεσιών ροής μουσικής και παράλληλα τη μετατόπιση της σημασιολογίας αυτής από το μουσικό γένος στην ψυχική διάθεση. Εξετάζει την επίδραση που έχουν οι υπηρεσίες να ενσωματώνουν αλγορίθμους μηχανικής μάθησης στη σημασιολογία της ετικέτας ως ταυτότητας στη μουσική και την ηχητική εμπειρία. Μελετά την έννοια του μουσικού γένους ως ετικέτας και το σταδιακό μετασχηματισμό του σε μία ρευστή έννοια όπως είναι η περιγραφή τηςψυχικής κατάστασης/ψυχικής διάθεσης. Παράλληλα, αναλύει σε βάθος τους τρόπους με τους οποίους αξιολογούμε την ηχητική εμπειρία και το πώς διαμορφώνεται η έννοια της ακουστικής αντίληψης από τον άνθρωπο. Η παρούσα έρευνα φιλοδοξεί να εισαγάγει μία νέα ταυτότητα νοηματοδότησης της ηχητικής εμπειρίας που είναι το Vibe Caption ως μία διεπαφή που περιγράφει την πιθανή συναισθηματική κατάσταση ή την ατμόσφαιρα ενός τόπου, όπως αυτή θα μπορούσε να μεταδοθεί στους άλλους και να γίνει αισθητή από αυτούς. Η λύση που προτείνεται μέσα από αυτή τη μελέτη είναι η δημιουργία ενός ηχητικού ταξινομητή με τη χρήση Deep learning αλγορίθμων και συνελικτικών νευρωνικών δικτύων. Επιβεβαιώνεται πως η χρήση συνελικτικών νευρωνικών δικτύων μπορεί να προβλέψει χαρακτηριστικά στη μουσική όπως η ανθρώπινη ακουστική αντίληψη. H συνεισφορά της έρευνας εστιάζει στη χρήση συνελικτικών δικτύων για την εξαγωγή χαρακτηριστικών μέσα από το ηχητικό σήμα. Στο πλαίσιο της ανάπτυξης του απαραίτητου λογισμικού, η έρευνα συνεισφέρει μία ολοκληρωμένη λύση αγωγού λογισμικού για την επαναλαμβανόμενη εκτέλεση πειραμάτων μηχανικής μάθησης με χρήση τεχνητών νευρωνικών δικτύων. Η μεθοδολογία ανάπτυξης εστιάζει στην τεχνική σχεδιασμού λογισμικού συνεχούς ενσωμάτωσης κώδικα και φιλοδοξεί να δημοσιευθεί προς ελεύθερη χρήση ως λογισμικό ανοιχτού κώδικα. Λόγω υλικοτεχνικών και χρονικών περιορισμών για την τέλεση της μελέτης αυτής, το μεθοδολογικό μέρος κατάφερε να υλοποιήσει έναν ηχητικό ταξινομητή που αναγνωρίζει το μουσικό γένος ως κλάση πρόβλεψης με 95% ακρίβεια στο σύνολο δεδομένων εκπαίδευσης.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Καλαγκάτσης Αντώνης
- Kalagkatsis Antonis
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek, English
Identifiers
dc:identifier.*- Identifier
- uoadl:3331361