Automatic classification of playing techniques in Guitar Pro songs
Notice bibliographique
Résumé
Automatic guitar transcription has been an active research area for decades.Existing work in this area has mostly focused on estimating the onset, offset, and pitch of note events.Another important aspect of expressive guitar performance, the use of playing techniques, is less studied.The system presented in this thesis is designed to recognize five common playing techniques performed on the electric guitar: bend, vibrato, hammeron, pull-off, and slide.The system has three steps.For a given audio track, the monophony detector extracts all the monophonic segments, where most playing technique instances occur.Then, the note-event separator splits monophonic audio segments into note events.Finally, machine learning techniques are used to classify their playing techniques using various audio features such as pitch, spectral centroid, and mel-frequency cepstral coefficients.The presented system is trained and evaluated on a novel dataset of 379 synthesized guitar solo recordings, mostly in the genre of rock and metal, generated using publicly available Guitar Pro files collected from tablature websites.As an extended guitar tablature format, a Guitar Pro file encodes information about every note event in a guitar track, such as the timestamp, pitch, fingering position, and playing techniques.Using the Guitar Pro software, a realistic guitar audio track can be generated from the Guitar Pro file.Its corresponding annotation can also be obtained by programmatically decoding the Guitar Pro file.The end-to-end testing experiments showed that the presented system can effectively recognize the five playing techniques in synthesized guitar solos, with per-class f1 scores ranging from 71.7% to 89.2%.I am also grateful to all my friends and colleagues at the Distributed Digital Music Archives and Libraries (DDMAL) Lab for their moral support and inspirations.Especially, thank you to Néstor Nápoles L ópez and Timothy de Reuse for editing my thesis proposal and sharing great ideas and conversations throughout my studies.Thank you to Sevag Hanssian and Geneviève Gates-Panneton for translating my thesis abstract into French.Finally, I would like to thank my parents for supporting
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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) | 0,004 | 0,006 |
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 ».