Inférence de segmentation structurelle par compression via des relations multi-échelles dans les séquences d'accords - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2018

Inférence de segmentation structurelle par compression via des relations multi-échelles dans les séquences d'accords

Résumé

Une des approches possibles pour l'analyse automatique de structure musicale est d'aborder la question comme un problème de compression : une représentation efficace de la structure musicale d'un morceau serait ainsi une représentation qui permet de décrire précisément ce morceau en peu de termes. La méthode présentée dans cet article exploite les réseaux de relations à courte et moyenne échelle entre les événements musicaux afin d'obtenir des représentations compactes de segments de séquences musicales symboliques. Ces représentations compactes sont ensuite utilisées pour exprimer le morceau analysé comme une suite de segments de faible complexité, d'après le postulat qu'une segmentation découpant un morceau en un nombre limité d'éléments simples est susceptible de s'aligner avec la segmentation annotée manuellement. Cette méthode est testée sur des séquences d'accords annotées manuellement, correspondant à la base de données RWC-Pop, et est comparée à une autre méthode à base de compression. Les segments obtenus correspondent avec une F-mesure de l'ordre de 70% avec les segmenta-tions de référence.
Fichier principal
Vignette du fichier
JIM2018-07-Guichaoua.pdf (397.31 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01791367 , version 1 (14-05-2018)

Identifiants

  • HAL Id : hal-01791367 , version 1

Citer

Corentin Guichaoua, Frédéric Bimbot. Inférence de segmentation structurelle par compression via des relations multi-échelles dans les séquences d'accords. JIM 2018 - Journées d'Informatique Musicale, May 2018, Amiens, France. pp.71-79. ⟨hal-01791367⟩

Relations

280 Consultations
160 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More