Les techniques de deep learning s'avèrent extrêmement utiles pour analyser toutes sortes de données, allant des images au texte, messages en ligne et enregistrements audio. Ces techniques sont conçues pour identifier des modèles dans de grands ensembles de données, séparer les éléments dans différentes catégories et faire des prédictions beaucoup plus rapidement que les humains.

Dans une étude récente, chercheurs de l'Université Simon Fraser, L'Academia Sinica et le Dartmouth College ont appliqué des techniques d'apprentissage en profondeur pour identifier les similitudes et les différences entre la musique classique chinoise et occidentale. Leur papier, prépublié sur arXiv, présente une analyse comparative d'enregistrements musicaux à l'aide de modèles de détection d'événements sonores (SED) et de reconnaissance d'émotions du paysage sonore (SER).

"Nous avons écouté de la musique classique chinoise et occidentale, " Jianyu Fan, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. « Nous pensons que plusieurs facteurs distinguent la musique chinoise de la musique occidentale, y compris leur culture sous-jacente, philosophie et mode de pensée. C'est pourquoi nous sommes très intéressés par les études comparant la musique chinoise et occidentale."

Les modèles d'apprentissage en profondeur pour l'analyse d'enregistrements musicaux peuvent parfois mal fonctionner, alors qu'ils ont du mal à apprendre des modèles d'informations de haut niveau, comme la mélodie d'une chanson, harmonie, etc. Pour surmonter les limitations rencontrées dans les études précédentes, Fan et ses collègues ont appliqué des modèles de paysage sonore à l'analyse de la musique classique chinoise et occidentale, évaluer leur efficacité à identifier les similitudes et les différences entre les deux sous-genres.

Initialement, les chercheurs ont compilé deux ensembles de données annotés contenant des enregistrements de musique chinoise et occidentale, surnommés WCMED et CCMED. Ensuite, ils ont entraîné séparément un modèle SED pré-entraîné et un modèle SER pré-entraîné sur ces ensembles de données, combinant les deux avec un modèle de régression de vecteur de support (SVR). Les modèles SED sont conçus pour détecter les événements sonores dans les signaux audio, tandis que les modèles SER sont entraînés à reconnaître l'émotion véhiculée par les enregistrements de paysages sonores.

"Alors que les études musicales précédentes utilisent principalement des modèles basés sur la musique, nous étions curieux de savoir si un modèle formé sur le paysage sonore général peut être utilisé pour analyser la musique et en quoi ils sont différents pour la musique classique chinoise et occidentale, " expliqua Fan. " Par conséquent, nous avons essayé d'utiliser deux modèles construits sur le son général :un modèle de détection d'événements sonores et un modèle de reconnaissance d'émotions du paysage sonore."

Les chercheurs ont utilisé des techniques d'apprentissage par transfert pour extraire des représentations sonores de haut niveau. Ils ont ensuite utilisé ces représentations pour entraîner leur modèle de reconnaissance des émotions musicales à détecter les émotions véhiculées par les enregistrements musicaux. Comme leur modèle a été pré-entraîné pour généraliser les caractéristiques du son, ils ont constaté que ces représentations fonctionnaient mieux lorsqu'elles étaient couplées à un modèle plus simple, notamment pour l'analyse de la musique classique chinoise. Les chercheurs ont également formé un classificateur d'apprentissage en profondeur sur les ensembles de données qu'ils ont créés et ont mené des analyses supplémentaires en se concentrant sur les caractéristiques spécifiques des chansons chinoises et occidentales.

"Comme notre objectif est d'utiliser des modèles de paysages sonores pré-entraînés pour analyser et comparer la musique classique chinoise et occidentale, nous ne nous attendions pas à ce que le modèle fonctionne parfaitement pour différents types d'audio et différents types de tâches, " dit Fan. " Cependant, nos résultats suggèrent qu'il est efficace pour prédire l'éveil de la musique classique chinoise et occidentale à l'aide de modèles de paysage sonore."

Les résultats recueillis par Fan et ses collègues suggèrent que les modèles SED et SER sont des outils prometteurs pour l'analyse des enregistrements musicaux. De façon intéressante, l'analyse comparative de la musique classique chinoise et occidentale utilisant ces techniques a conduit à des résultats qui correspondent aux idées présentées par les théoriciens de la musique en Chine.

Les chercheurs ont également observé que leur classificateur d'apprentissage en profondeur reconnaissait les enregistrements de paysages sonores comme de la musique classique chinoise. Cela suggère que les enregistrements de paysages sonores partagent généralement plus de similitudes avec la musique classique chinoise qu'avec la musique classique occidentale.

"Notre étude a mis en évidence que certaines similitudes existent entre la musique classique chinoise et les enregistrements de paysages sonores, ", a déclaré Fan. "Ces résultats sont alignés sur ceux rapportés par les musicologues chinois et les philosophes chinois de la musique classique."

À l'avenir, l'étude menée par cette équipe de chercheurs pourrait inspirer d'autres études comparant différents genres musicaux à partir de l'analyse de modèles de paysages sonores. Pendant ce temps, Fan et ses collègues prévoient de continuer à enquêter sur les similitudes et les différences entre la musique chinoise et occidentale en utilisant des méthodes d'apprentissage en profondeur, tout en essayant de construire des modèles capables de composer automatiquement de la nouvelle musique classique.

© 2020 Réseau Science X