Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Generování žánrově specifické hudební transkripce Antonína Dvořáka prostřednictvím variačního autoenkodéru

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14210%2F21%3A00123177" target="_blank" >RIV/00216224:14210/21:00123177 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://digilib.phil.muni.cz/handle/11222.digilib/111872" target="_blank" >https://digilib.phil.muni.cz/handle/11222.digilib/111872</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.5817/MB2021-2-5" target="_blank" >10.5817/MB2021-2-5</a>

Alternativní jazyky

  • Jazyk výsledku

    čeština

  • Název v původním jazyce

    Generování žánrově specifické hudební transkripce Antonína Dvořáka prostřednictvím variačního autoenkodéru

  • Popis výsledku v původním jazyce

    Apart from traditional deep learning tasks such as pattern recognition, stock price prediction, and machine translation, this method also finds practical application within algorithmic composition. This paper explores the use of a generative model based on unsupervised learning of a musical style from a pre-selected corpus and the subsequent prediction of samples from the estimated distribution. The model uses a Long Short-Term Memory neural network whose training data contains genre-specific melodies in symbolic representation.

  • Název v anglickém jazyce

    Generating Genre-Specific Musical Transcriptions of Antonín Dvořák through a Variational Autoencoder

  • Popis výsledku anglicky

    Apart from traditional deep learning tasks such as pattern recognition, stock price prediction, and machine translation, this method also finds practical application within algorithmic composition. This paper explores the use of a generative model based on unsupervised learning of a musical style from a pre-selected corpus and the subsequent prediction of samples from the estimated distribution. The model uses a Long Short-Term Memory neural network whose training data contains genre-specific melodies in symbolic representation.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    60403 - Performing arts studies (Musicology, Theater science, Dramaturgy)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Musicologica Brunensia

  • ISSN

    1212-0391

  • e-ISSN

    2336-436X

  • Svazek periodika

    56

  • Číslo periodika v rámci svazku

    2

  • Stát vydavatele periodika

    CZ - Česká republika

  • Počet stran výsledku

    13

  • Strana od-do

    49-61

  • Kód UT WoS článku

    000766749800005

  • EID výsledku v databázi Scopus

    2-s2.0-85128758860