Neuronske mreže za klasifikaciju glazbenog žanra

undergraduate thesis

• Title (english): Neural networks for classification of music genre
• Author: Ante Prolić
• Mentor: Ivan Đurek (mentor)
• Committee member: Ivan Đurek (predsjednik povjerenstva)
• Committee member: Kristian Jambrošić (član povjerenstva)
• Committee member: Vedran Planinec (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-07-05, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Rad se bavi implementacijom neuronskih mreža i konvolucijskih neuronskih mreža za prepoznavanje glazbenih žanrova. Glavni cilj istraživanja je poboljšati točnost klasifikacije žanrova analizom zvučnih zapisa. Modeli neuronskih mreža i CNN modeli su trenirani na online bazi podataka koja uključuje 10 različitih glazbenih žanrova. Klasične neuronske mreže koriste slojeve umjetnih neurona (TLU-perceptrona) za obradu značajki, dok CNN modeli koriste konvolucijske i pooling slojeve za izdvajanje kompleksnih uzoraka iz audio signala. Rezultati treniranja modela pokazuju da CNN nadmašuje standardne neuronske mreže u točnosti klasifikacije zbog svoje sposobnosti automatskog izdvajanja relevantnih značajki. Rad naglašava važnost dubokog učenja u obradi audio podataka i demonstrira potencijal CNN-a u poboljšanju prepoznavanja glazbenih žanrova, pružajući time vrijedne uvide za daljnja istraživanja i praktične primjene u području glazbene analitike.

Abstract (english)

The paper deals with the implementation of neural networks and convolutional neural networks for the recognition of musical genres. The main goal of the research is to improve the accuracy of genre classification by analyzing sound recordings. Neural network models and CNN models are trained on an online database that includes 10 different music genres. Classical neural networks use layers of artificial neurons (TLU-perceptrons) for feature processing, while CNN models use convolutional and pooling layers to extract complex patterns from audio signals. After training the model, results show that CNN outperforms standard neural networks in classification accuracy due to its ability to automatically extract relevant features. The paper highlights the importance of deep learning in audio data processing and demonstrates the potential of CNNs in improving music genre recognition, thus providing valuable insights for further research and practical applications in the field of music analytics.

• Keywords: neuronske mreže; konvolucijske neuronske mreže; cnn; audio; klasifikacija žanra
• Keywords (english): neural networks; convolutional neural networks; cnn; audio; genre classification
• Language: croatian
• URN:NBN: urn:nbn:hr:168:919376
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2024-10-12 21:56:05