{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3421648"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3421648","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Chord Builder: A Rapid Music Dataset Generation Tool for Automatic Chord Recognition","abstract":"Η παρούσα διπλωματική εργασία εξετάζει ένα κεντρικό πρόβλημα στον τομέα της Ανάκτη- σης Μουσικής Πληροφορίας (MIR), την Αυτόματη Αναγνώριση Συγχορδιών (ACR). Αν και έχουν εξεταστεί διάφορες προσεγγίσεις, η έλλειψη επισημειωμένων μουσικών δεδομένων περιορίζει την αποτελεσματική εκπαίδευση μοντέλων, ειδικά στον τομέα της συμβολικής μουσικής. Για την αντιμετώπιση αυτού του ζητήματος, αναπτύξαμε το εργαλείο Chord Builder, το οποίο επιτρέπει τη γρήγορη δημιουργία προσαρμόσιμων, επισημειωμένων συνόλων δε- δομένων. Οι χρήστες μπορούν να καθορίσουν παραμέτρους, όπως κλίμακα, βαθμίδες, τύπο συγχορδίας και εύρος οκτάβας, διευκολύνοντας τη δημιουργία συνόλων δεδομένων προσαρμοσμένων στις ερευνητικές τους ανάγκες. Η αποτελεσματικότητά του αξιολογή- θηκε με τη χρήση του δικτύου Harmony Transformer 2, το οποίο διακρίνεται στις εργασίες ανίχνευσης αλλαγής συγχορδιών και αναγνώρισης συγχορδιών για συμβολικά δεδομένα μουσικής, με χρήση 11 συνόλων δεδομένων αυξανόμενης πολυπλοκότητας. Η τεχνική της παραγωγής μοντέλου (model inference) εφαρμόστηκε επίσης στα πραγμα- τικά μουσικά δεδομένα των Σονάτων για πιάνο του Μπετόβεν (BPS-FH), αποκαλύπτοντας ότι το προεκπαιδευμένο δίκτυο πέτυχε καλύτερη απόδοση στην ανίχνευση αλλαγής συγ- χορδιών σε σχέση με το δίκτυο που ήταν απ’ευθείας εκπαίδευμένο στα δεδομένα BPS-FH. Παρότι τα αποτελέσματα στην αναγνώριση συγχορδιών ήταν μικρότερης ακρίβειας, δεν παύουν να παρουσιάζουν ιδιαίτερο ενδιαφέρον και υποδεικνύουν πολλά υποσχόμενες κα- τευθύνσεις για μελλοντική έρευνα.","abstract_html":"Η παρούσα διπλωματική εργασία εξετάζει ένα κεντρικό πρόβλημα στον τομέα της Ανάκτη- σης Μουσικής Πληροφορίας (MIR), την Αυτόματη Αναγνώριση Συγχορδιών (ACR). Αν και έχουν εξεταστεί διάφορες προσεγγίσεις, η έλλειψη επισημειωμένων μουσικών δεδομένων περιορίζει την αποτελεσματική εκπαίδευση μοντέλων, ειδικά στον τομέα της συμβολικής μουσικής. Για την αντιμετώπιση αυτού του ζητήματος, αναπτύξαμε το εργαλείο Chord Builder, το οποίο επιτρέπει τη γρήγορη δημιουργία προσαρμόσιμων, επισημειωμένων συνόλων δε- δομένων. Οι χρήστες μπορούν να καθορίσουν παραμέτρους, όπως κλίμακα, βαθμίδες, τύπο συγχορδίας και εύρος οκτάβας, διευκολύνοντας τη δημιουργία συνόλων δεδομένων προσαρμοσμένων στις ερευνητικές τους ανάγκες. Η αποτελεσματικότητά του αξιολογή- θηκε με τη χρήση του δικτύου Harmony Transformer 2, το οποίο διακρίνεται στις εργασίες ανίχνευσης αλλαγής συγχορδιών και αναγνώρισης συγχορδιών για συμβολικά δεδομένα μουσικής, με χρήση 11 συνόλων δεδομένων αυξανόμενης πολυπλοκότητας. Η τεχνική της παραγωγής μοντέλου (model inference) εφαρμόστηκε επίσης στα πραγμα- τικά μουσικά δεδομένα των Σονάτων για πιάνο του Μπετόβεν (BPS-FH), αποκαλύπτοντας ότι το προεκπαιδευμένο δίκτυο πέτυχε καλύτερη απόδοση στην ανίχνευση αλλαγής συγ- χορδιών σε σχέση με το δίκτυο που ήταν απ’ευθείας εκπαίδευμένο στα δεδομένα BPS-FH. Παρότι τα αποτελέσματα στην αναγνώριση συγχορδιών ήταν μικρότερης ακρίβειας, δεν παύουν να παρουσιάζουν ιδιαίτερο ενδιαφέρον και υποδεικνύουν πολλά υποσχόμενες κα- τευθύνσεις για μελλοντική έρευνα.","abstract_has_math":false,"creators":["Βαγενάς Σάββας","Vagenas Savvas"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:30:53Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3421648"],"render_values":[{"text":"uoadl:3421648","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3421648","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3421648","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%3A3421648","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βαγενάς Σάββας","Vagenas Savvas"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3421648","https://pergamos.lib.uoa.gr/uoa/dl/object/3421648"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία εξετάζει ένα κεντρικό πρόβλημα στον τομέα της Ανάκτη- σης Μουσικής Πληροφορίας (MIR), την Αυτόματη Αναγνώριση Συγχορδιών (ACR). Αν και έχουν εξεταστεί διάφορες προσεγγίσεις, η έλλειψη επισημειωμένων μουσικών δεδομένων περιορίζει την αποτελεσματική εκπαίδευση μοντέλων, ειδικά στον τομέα της συμβολικής μουσικής. Για την αντιμετώπιση αυτού του ζητήματος, αναπτύξαμε το εργαλείο Chord Builder, το οποίο επιτρέπει τη γρήγορη δημιουργία προσαρμόσιμων, επισημειωμένων συνόλων δε- δομένων. Οι χρήστες μπορούν να καθορίσουν παραμέτρους, όπως κλίμακα, βαθμίδες, τύπο συγχορδίας και εύρος οκτάβας, διευκολύνοντας τη δημιουργία συνόλων δεδομένων προσαρμοσμένων στις ερευνητικές τους ανάγκες. Η αποτελεσματικότητά του αξιολογή- θηκε με τη χρήση του δικτύου Harmony Transformer 2, το οποίο διακρίνεται στις εργασίες ανίχνευσης αλλαγής συγχορδιών και αναγνώρισης συγχορδιών για συμβολικά δεδομένα μουσικής, με χρήση 11 συνόλων δεδομένων αυξανόμενης πολυπλοκότητας. Η τεχνική της παραγωγής μοντέλου (model inference) εφαρμόστηκε επίσης στα πραγμα- τικά μουσικά δεδομένα των Σονάτων για πιάνο του Μπετόβεν (BPS-FH), αποκαλύπτοντας ότι το προεκπαιδευμένο δίκτυο πέτυχε καλύτερη απόδοση στην ανίχνευση αλλαγής συγ- χορδιών σε σχέση με το δίκτυο που ήταν απ’ευθείας εκπαίδευμένο στα δεδομένα BPS-FH. Παρότι τα αποτελέσματα στην αναγνώριση συγχορδιών ήταν μικρότερης ακρίβειας, δεν παύουν να παρουσιάζουν ιδιαίτερο ενδιαφέρον και υποδεικνύουν πολλά υποσχόμενες κα- τευθύνσεις για μελλοντική έρευνα.","This thesis addresses a key challenge in Music Information Retrieval (MIR) by focusing on Automatic Chord Recognition (ACR). Despite various methods, the scarcity of annotated datasets restricts effective model training, particularly in the realm of symbolic music. To tackle this issue, we developed Chord Builder, a tool for quickly generating customiz- able annotated music datasets. Users can specify parameters like key signatures, chord types, and octave ranges, allowing for tailored music dataset creation. We evaluated its effectiveness using the Harmony Transformer 2 network, which excels in chord change detection and chord estimation tasks in the realm of symbolic music, with 11 datasets of increasing complexity. Furthermore, model inference was applied to the Beethoven Piano Sonatas functional harmony dataset (BPS-FH), showing that the network performed better in chord change detection than when trained directly on the BPS-FH dataset. Although chord estimation results were less robust, they suggest promising directions for future research."]},{"key":"dc:title","label":"Title","values":["Chord Builder: A Rapid Music Dataset Generation Tool for Automatic Chord Recognition"]}]}],"canonical_facts":{"dc:creator":["Βαγενάς Σάββας","Vagenas Savvas"],"dc:date":["2024"],"dc:description":["Η παρούσα διπλωματική εργασία εξετάζει ένα κεντρικό πρόβλημα στον τομέα της Ανάκτη- σης Μουσικής Πληροφορίας (MIR), την Αυτόματη Αναγνώριση Συγχορδιών (ACR). Αν και έχουν εξεταστεί διάφορες προσεγγίσεις, η έλλειψη επισημειωμένων μουσικών δεδομένων περιορίζει την αποτελεσματική εκπαίδευση μοντέλων, ειδικά στον τομέα της συμβολικής μουσικής. Για την αντιμετώπιση αυτού του ζητήματος, αναπτύξαμε το εργαλείο Chord Builder, το οποίο επιτρέπει τη γρήγορη δημιουργία προσαρμόσιμων, επισημειωμένων συνόλων δε- δομένων. Οι χρήστες μπορούν να καθορίσουν παραμέτρους, όπως κλίμακα, βαθμίδες, τύπο συγχορδίας και εύρος οκτάβας, διευκολύνοντας τη δημιουργία συνόλων δεδομένων προσαρμοσμένων στις ερευνητικές τους ανάγκες. Η αποτελεσματικότητά του αξιολογή- θηκε με τη χρήση του δικτύου Harmony Transformer 2, το οποίο διακρίνεται στις εργασίες ανίχνευσης αλλαγής συγχορδιών και αναγνώρισης συγχορδιών για συμβολικά δεδομένα μουσικής, με χρήση 11 συνόλων δεδομένων αυξανόμενης πολυπλοκότητας. Η τεχνική της παραγωγής μοντέλου (model inference) εφαρμόστηκε επίσης στα πραγμα- τικά μουσικά δεδομένα των Σονάτων για πιάνο του Μπετόβεν (BPS-FH), αποκαλύπτοντας ότι το προεκπαιδευμένο δίκτυο πέτυχε καλύτερη απόδοση στην ανίχνευση αλλαγής συγ- χορδιών σε σχέση με το δίκτυο που ήταν απ’ευθείας εκπαίδευμένο στα δεδομένα BPS-FH. Παρότι τα αποτελέσματα στην αναγνώριση συγχορδιών ήταν μικρότερης ακρίβειας, δεν παύουν να παρουσιάζουν ιδιαίτερο ενδιαφέρον και υποδεικνύουν πολλά υποσχόμενες κα- τευθύνσεις για μελλοντική έρευνα.","This thesis addresses a key challenge in Music Information Retrieval (MIR) by focusing on Automatic Chord Recognition (ACR). Despite various methods, the scarcity of annotated datasets restricts effective model training, particularly in the realm of symbolic music. To tackle this issue, we developed Chord Builder, a tool for quickly generating customiz- able annotated music datasets. Users can specify parameters like key signatures, chord types, and octave ranges, allowing for tailored music dataset creation. We evaluated its effectiveness using the Harmony Transformer 2 network, which excels in chord change detection and chord estimation tasks in the realm of symbolic music, with 11 datasets of increasing complexity. Furthermore, model inference was applied to the Beethoven Piano Sonatas functional harmony dataset (BPS-FH), showing that the network performed better in chord change detection than when trained directly on the BPS-FH dataset. Although chord estimation results were less robust, they suggest promising directions for future research."],"dc:identifier":["uoadl:3421648","https://pergamos.lib.uoa.gr/uoa/dl/object/3421648"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Chord Builder: A Rapid Music Dataset Generation Tool for Automatic Chord Recognition"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:53Z"}