Universidad Complutense de Madrid
E-Prints Complutense

Clasificador de subgéneros de música electrónica

Impacto

Downloads

Downloads per month over past year



Caparrini López, Antonio and Pérez Molina, Laura (2017) Clasificador de subgéneros de música electrónica. [Trabajo fin de Grado]

[img]
Preview
PDF
8MB


Abstract

¿Qué hace que nosotros, los humanos, seamos capaces de diferenciar canciones de distintos géneros? Quizás el lector se habrá encontrado alguna vez en la difícil situación de explicar a alguien “cómo suena” el estilo de música que le gusta. Entonces, ¿podría existir una clasificación de géneros automática?. El incremento del contenido digital disponible en diversas áreas nos obliga a buscar formas más rápidas y eficientes de almacenar y ordenar la información. Nunca había sido tan fácil hacer música y miles de canciones nuevas se publican cada día. En sitios web como Beatport, cada semana se publican 25.000 canciones nuevas de música electrónica. Probablemente sería de gran ayuda clasificar automáticamente todo este contenido.
En la actualidad, con los algoritmos de aprendizaje automático se buscan patrones comunes para clasificar y facilitar el acceso de datos digitalizados. Durante los últimos 20 años, se ha estudiado el reconocimiento de géneros musicales para predecir automáticamente el género de una canción. En los estudios pasados se han clasificado géneros y subgéneros en distintos estilos musicales, pero hasta donde alcanza nuestro conocimiento, nunca se ha abordado la clasificación de subgéneros de música electrónica. No obstante, existe una amplia variedad de música electrónica y a pesar de que para un oyente ocasional todo podría sonar tremendamente parecido, los fans distinguen entre subgéneros. Por lo tanto tienen que tener características que los definan.
La clasificación en géneros es subjetiva, pero partiendo de un conjunto debidamente clasificado podemos pensar que los diferentes géneros tienen algunas cualidades intrínsecas objetivables que los caracterizan. En este proyecto, nuestro objetivo es clasificar automáticamente subgéneros de música electrónica atendiendo exclusivamente a datos de audio.

Resumen (otros idiomas)

What makes us, humans, able to tell apart two songs of different genres? Maybe you have ever been in the di cult situation to explain “how it sounds” the music style that you like to someone. Then, could an automatic genre classification be possible? The increase in digital content available in several fields forces us to look for faster and more efficient ways to store and sort information. It has never been so easy to make music and thousands of new songs are released every day. There are websites, such as Beatport, where every week 25,000 new electronic songs are released. It may be beneficial to classify automatically these songs into genres. Nowadays, machine learning algorithms are used for searching repeated patterns to classify and make the access to digitalized data easier. Over the last 20 years, musical genre recognition has been studied to automatically predict the genre of a song. In past studies, genres and sub-genres have been classified but as far as we are aware, this has not been done for sub-genres of electronic music. There is a wide variety of electronic music and despite sounding extremely similar for an occasional listener, fans discern between sub-genres. Thus, they probably have features that de ne them. Classification into genres is subjective, but based on a properly classified set we can infer that they have some intrinsic aspects that make a difference. In this project, we aim to automatically classify sub-genres of electronic music depending on audio data.

Item Type:Trabajo fin de Grado
Additional Information:

Trabajo de Fin de Grado en Ingeniería Informática (Universidad Complutense, Facultad de Informática, curso 2016/2017)

Directors:
DirectorsDirector email
Arroyo Gallardo, Javier
Sánchez Hernández, Jaime
Uncontrolled Keywords:Clasificación de géneros musicales, Aprendizaje automático, Árbol de decisión, Bosque aleatorio, Características de audio, MIR1 , Música electrónica
Palabras clave (otros idiomas):Music genre classification, Machine learning, Decision tree, Random forest, Audio features, MIR, Electronic music
Subjects:Sciences > Computer science > Artificial intelligence
Título de Grado:Grado en Ingeniería Informática
ID Code:44672
Deposited On:15 Sep 2017 11:50
Last Modified:18 Sep 2017 10:03

Origin of downloads

Repository Staff Only: item control page