Web aplikacija za klasifikaciju glazbenih isječaka u glazbena razdoblja

diplomski rad

• Naslov (engleski): Web Application for Audio Clip Classification into Musical Periods
• Autor: Antun Modrušan
• Mentor: Alan Jović (mentor)
• Član povjerenstva: Alan Jović (predsjednik povjerenstva)
• Član povjerenstva: Željka Mihajlović (član povjerenstva)
• Član povjerenstva: Tomislav Hrkać (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2021-07-06, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Cilj ovog diplomskog rada je razvijanje aplikacije za klasifikaciju glazbenih isječaka u jedno od pet glazbenih razdoblja: srednji vijek, renesansa, barok, klasicizam i romantizam. U radu su istražene razne vremenske i frekvencijske značajke koje je moguće izlučiti iz isječaka, primjerice spektrogram i kepstralni koeficijenti mel-frekvencija (MFCC). Audio isječci su sakupljeni ručno s platforme YouTube, podijeljeni u isječke od 10 sekundi i iz njih su izlučeni koeficijenti MFCC. Za klasifikaciju su ispitane potpuno povezane, konvolucijske i povratne neuronske mreže i najbolji rezultati ostvareni su s konvolucijskim neuronskim mrežama. Parametri i konfiguracija optimalnog modela su spremljeni i korišteni su u izrađenoj web aplikaciji ostvarenoj pomoću radnog okvira Streamlit koja omogućava predviđanje na novim primjerima.

Sažetak (engleski)

The aim of this thesis is development of a web application for audio clip classification into five musical periods: middle age, renaissance, baroque, classical and romanticism. Multiple time and frequency features, which can be extracted from an audio segment, were explored such as spectrogram and Mel-Frequency Cepstral Coefficients (MFCC). Audio clips were gathered by hand from YouTube platform, split into 10 second segments and MFCCs were extracted from them. Fully connected, convolutional and recurrent neural networks have been tested for classification purposes and convolutional networks achieved the best results. Parameters and configuration of the optimal model have been saved and used in the created Streamlit app to predict on unseen clips.

• Ključne riječi: klasifikacija; spektrogram; neuronska mreža; aplikacija
• Ključne riječi (engleski): classification; spectrogram; neural network; application
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:091215
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 13:15:50