Improvements of Continuous Model for Memory-based Automatic Music Transcription
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F10%3A00347257" target="_blank" >RIV/67985556:_____/10:00347257 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Improvements of Continuous Model for Memory-based Automatic Music Transcription
Popis výsledku v původním jazyce
Automatic music transcription is a process recovering the most likely combination of sounds that produced the recorded audio signal. We are concerned with memory-based approach, where the observed signal is modeled as a superposition of sounds from a library. Moreover, we assume that only parts of the sounds can be played. The number of possible combinations is excessive and exact estimation is computationally prohibitive. We propose to transform the original discrete-event model into a less restrictedparametrization and impose the constraints in a soft way via prior information. The resulting model is a non-linear state-space model with Gaussian disturbances. The posterior estimates are evaluated by the extended Kalman filter. Performance of the model is studied in simulation and it is shown that it outperforms previously published methods.
Název v anglickém jazyce
Improvements of Continuous Model for Memory-based Automatic Music Transcription
Popis výsledku anglicky
Automatic music transcription is a process recovering the most likely combination of sounds that produced the recorded audio signal. We are concerned with memory-based approach, where the observed signal is modeled as a superposition of sounds from a library. Moreover, we assume that only parts of the sounds can be played. The number of possible combinations is excessive and exact estimation is computationally prohibitive. We propose to transform the original discrete-event model into a less restrictedparametrization and impose the constraints in a soft way via prior information. The resulting model is a non-linear state-space model with Gaussian disturbances. The posterior estimates are evaluated by the extended Kalman filter. Performance of the model is studied in simulation and it is shown that it outperforms previously published methods.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
BD - Teorie informace
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GP102%2F08%2FP250" target="_blank" >GP102/08/P250: Metody sekvenčního vzorkování pro identifikaci a řízení distribuovaných systémů</a><br>
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2010
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 18th European signal processing conference
ISBN
—
ISSN
2076-1465
e-ISSN
—
Počet stran výsledku
5
Strana od-do
—
Název nakladatele
Eurasip
Místo vydání
Aalborg
Místo konání akce
Aalborg
Datum konání akce
23. 7. 2010
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—