Predição de tags musicais aplicando redes neurais convolucionais em stacking

Detalhes bibliográficos
Autor(a) principal: Silva, Juliano Donini da
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
Texto Completo: http://repositorio.uem.br:8080/jspui/handle/1/6204
Resumo: Orientador: Prof. Dr. Marcos Aurélio Domingues
id UEM-10_4908ad4948e3331a678b4276918b599e
oai_identifier_str oai:localhost:1/6204
network_acronym_str UEM-10
network_name_str Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
repository_id_str
spelling Predição de tags musicais aplicando redes neurais convolucionais em stackingPredição de tags musicaisRedes neurais convolucionais004Ciências Exatas e da TerraCiência da ComputaçãoOrientador: Prof. Dr. Marcos Aurélio DominguesCoorientador: Prof. Dr. Yandre Maldonado e Gomes da CostaDissertação (mestrado em Ciência da Computação) - Universidade Estadual de Maringá, 2020RESUMO: Anotações de Tags musicais realizada manualmente não é uma tarefa simples, uma vez que quem as executa pode fazê-la de acordo com seu gosto pessoal e/ou ser influenciada pelo contexto social no qual está inserido, além do grande volume de músicas contidas nas bases de dados. Deste modo, se faz necessária a elaboração de métodos automáticos para a tarefa de predição de Tags, buscando melhorar a qualidade dos resultados obtidos em comparação aos métodos de predição automáticos existentes e por consequência facilitando o processo de anotação de Tags. Assim, nesta dissertação, foram propostos dois métodos capazes de melhorar a qualidade das predições de Tags musicais por meio da combinação de Redes Neurais Convolucionais com a técnica de Stacking. A técnica de Stacking usa os resultados obtidos no primeiro estágio de aprendizado como entrada no segundo estágio de aprendizado do modelo de predição. Os métodos propostos foram avaliados em três bases de dados (FMA, MagnaTagATune e Million Song Dataset), utilizando as medidas de Acurácia, Area Under the Roc Curve, Precision Recall Curve e Hamming Loss. Além disso, também foi calculado o tempo de treinamento dos métodos. Os resultados obtidos pelos métodos propostos superaram o Baseline, além de apresentaram uma redução no tempo de treinamentoABSTRACT: Music Tag Annotations performed manually is not a simple task, since those who perform them can do it according to their personal taste and/or be influenced by the social context in which it is inserted, in addition to the large volume of music contained in the databases. Thus, it is necessary to develop automatic methods for the task of predicting tags, seeking to improve the quality of the results obtained in comparison to the existing automatic prediction methods and consequently facilitating the manual process of annotating tags. Thus, in this dissertation, we proposed two methods capable of improving the quality of tag prediction through the combination of Convolutional Neural Networks with the Stacking technique. The Stacking technique uses the results obtained in the first learning stage as input to the second learning stage of the prediction model. The proposed methods were evaluated in three databases (FMA, MagnaTagATune and Million Song Dataset). We evaluated the methods in terms of Accuracy, Area Under the Roc Curve, Precision Recall Curve and Hamming Loss. We also measured the training time of the methods. The results obtained by the proposed methods were satisfactory, since everyone was able to overcome the Baseline, in addition to a reduction in training time71 f. : il. (algumas color.).Universidade Estadual de MaringáDepartamento de InformáticaPrograma de Pós-Graduação em Ciência da ComputaçãoMaringá, PRCentro de TecnologiaDomingues, Marcos AurélioFelfrim, Valéria DelisandraFoleis, Juliano HenriqueSilva, Juliano Donini da2022-02-23T12:16:18Z2022-02-23T12:16:18Z2020info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSILVA, Juliano Donini da. Predição de tags musicais aplicando redes neurais convolucionais em stacking. 2020. 71 f. Dissertação (mestrado em Ciência da Computação) - Universidade Estadual de Maringá, 2020, Maringá, PR. Disponível em: http://repositorio.uem.br:8080/jspui/handle/1/6204. Acesso em: 23 fev. 2022.http://repositorio.uem.br:8080/jspui/handle/1/6204info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)instname:Universidade Estadual de Maringá (UEM)instacron:UEM2022-02-23T12:19:51Zoai:localhost:1/6204Repositório InstitucionalPUBhttp://repositorio.uem.br:8080/oai/requestopendoar:2024-04-23T14:59:26.248744Repositório Institucional da Universidade Estadual de Maringá (RI-UEM) - Universidade Estadual de Maringá (UEM)false
dc.title.none.fl_str_mv Predição de tags musicais aplicando redes neurais convolucionais em stacking
title Predição de tags musicais aplicando redes neurais convolucionais em stacking
spellingShingle Predição de tags musicais aplicando redes neurais convolucionais em stacking
Silva, Juliano Donini da
Predição de tags musicais
Redes neurais convolucionais
004
Ciências Exatas e da Terra
Ciência da Computação
title_short Predição de tags musicais aplicando redes neurais convolucionais em stacking
title_full Predição de tags musicais aplicando redes neurais convolucionais em stacking
title_fullStr Predição de tags musicais aplicando redes neurais convolucionais em stacking
title_full_unstemmed Predição de tags musicais aplicando redes neurais convolucionais em stacking
title_sort Predição de tags musicais aplicando redes neurais convolucionais em stacking
author Silva, Juliano Donini da
author_facet Silva, Juliano Donini da
author_role author
dc.contributor.none.fl_str_mv Domingues, Marcos Aurélio
Felfrim, Valéria Delisandra
Foleis, Juliano Henrique
dc.contributor.author.fl_str_mv Silva, Juliano Donini da
dc.subject.por.fl_str_mv Predição de tags musicais
Redes neurais convolucionais
004
Ciências Exatas e da Terra
Ciência da Computação
topic Predição de tags musicais
Redes neurais convolucionais
004
Ciências Exatas e da Terra
Ciência da Computação
description Orientador: Prof. Dr. Marcos Aurélio Domingues
publishDate 2020
dc.date.none.fl_str_mv 2020
2022-02-23T12:16:18Z
2022-02-23T12:16:18Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA, Juliano Donini da. Predição de tags musicais aplicando redes neurais convolucionais em stacking. 2020. 71 f. Dissertação (mestrado em Ciência da Computação) - Universidade Estadual de Maringá, 2020, Maringá, PR. Disponível em: http://repositorio.uem.br:8080/jspui/handle/1/6204. Acesso em: 23 fev. 2022.
http://repositorio.uem.br:8080/jspui/handle/1/6204
identifier_str_mv SILVA, Juliano Donini da. Predição de tags musicais aplicando redes neurais convolucionais em stacking. 2020. 71 f. Dissertação (mestrado em Ciência da Computação) - Universidade Estadual de Maringá, 2020, Maringá, PR. Disponível em: http://repositorio.uem.br:8080/jspui/handle/1/6204. Acesso em: 23 fev. 2022.
url http://repositorio.uem.br:8080/jspui/handle/1/6204
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual de Maringá
Departamento de Informática
Programa de Pós-Graduação em Ciência da Computação
Maringá, PR
Centro de Tecnologia
publisher.none.fl_str_mv Universidade Estadual de Maringá
Departamento de Informática
Programa de Pós-Graduação em Ciência da Computação
Maringá, PR
Centro de Tecnologia
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
instname:Universidade Estadual de Maringá (UEM)
instacron:UEM
instname_str Universidade Estadual de Maringá (UEM)
instacron_str UEM
institution UEM
reponame_str Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
collection Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
repository.name.fl_str_mv Repositório Institucional da Universidade Estadual de Maringá (RI-UEM) - Universidade Estadual de Maringá (UEM)
repository.mail.fl_str_mv
_version_ 1801841438069096448

Registros relacionados