Variable Length Windowing to Improve Non-Negative Matrix Factorization of Music Signals
Notice bibliographique
Résumé
Non-negative matrix factorization(NMF) has shown positive results in learning musical notes over other blind source separation techniques like independent component analysis (ICA) and principal component analysis (PCA).The magnitude short time Fourier transform (STFT) is typically given as input for the non-negative matrix factorization algorithm for learning.Non-negative matrix factorization treats each frame of the magnitude short time Fourier transform as independent and identically distributed vectors.Due to fixed length windowing, a single note might be spread across multiple frames with varying proportions of the note structure.Improving the stationarity characteristics of the signal within the STFT is expected to improve the qualitative performance of note extraction by the NMF algorithm.To this extent, we propose a signal dependent variable length window based STFT to effectively capture the stationarity of the signal within each frame of the magnitude STFT.In this thesis, automatic detection of note onsets in music is studied.Many reduction techniques have been developed in the literature for reducing the timefrequency representation of the signal to a one dimension detection function to detect note onsets.We have come up with an onset detection technique that makes few assumptions about underlying structure of music and works well across a wide variety of music.A novel approach to extract note onset timings using the Itakura-Saito divergence is proposed.The remainder of the thesis explores the use of a variable length window based STFT versus the fixed length window based STFT for NMF decomposition, and how the Itakura-Saito divergence based onset detection works in comparison to other techniques.iii H obtained on factorization of fixed length window based STFT keeping W matrix fixed.This W matrix is available on factorization of variable length window based STFT . . . . . . . . . . . . . . . . . . .Bar plot of similarity measure of derived notes with ground truth notes using Bhattacharyya distance. . . . . . . . .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».