DeepJ: Style-Specific Music Generation (2018): differenze tra le versioni

Versione attuale delle 10:42, 17 ago 2024

DeepJ: Style-Specific Music Generation (2018)
Data	2018
Autori	H. H. Mao, Taylor Shin, G. Cottrell
URL	https://www.semanticscholar.org/paper/c1cdc5684640ace97c0b86bcdcfd6e519f87b840
Topic	Generazione di musica con reti neurali
Citazioni	86

DeepJ1 (o DJ) è un modello di apprendimento profondo in grado di comporre musica polifonica condizionata a uno stile specifico o a una miscela di più stili compositivi. Si basa sul Biaxial LSTM ma introduce innovazioni per il controllo dello stile e della dinamica musicale, con l'obiettivo di generare musica più coerente e personalizzabile per applicazioni creative come il cinema o la composizione musicale assistita.

@@ Riga 1: / Riga 1: @@
+{{template pubblicazione
+|data=2018
+|autori=H. H. Mao, Taylor Shin, G. Cottrell
+|URL=https://www.semanticscholar.org/paper/c1cdc5684640ace97c0b86bcdcfd6e519f87b840
+|topic=Generazione di musica con reti neurali
+|citazioni=86
+}}
-DeepJ1 (o DJ) è un modello di apprendimento profondo in grado di comporre [[musica polifonica]] condizionata a uno stile specifico o a una miscela di più stili compositivi.
+DeepJ1 (o DJ) è un modello di apprendimento profondo in grado di comporre musica polifonica condizionata a uno stile specifico o a una miscela di più stili compositivi. Si basa sul Biaxial LSTM ma introduce innovazioni per il controllo dello stile e della dinamica musicale, con l'obiettivo di generare musica più coerente e personalizzabile per applicazioni creative come il cinema o la composizione musicale assistita.
-== Architettura ==
-La sua architettura si basa sul [[Biaxial LSTM]]. Il Biaxial LSTM è un approccio alla composizione musicale agnostico, capace di essere addestrato utilizzando una varietà di stili musicali. Tuttavia, questo approccio non si è rivelato in grado di mantenere coerenza stilistica nelle sue generazioni, passando anche in modo brusco a stili diversi all'interno di una stessa composizione.
-== Obiettivo ==
-L'obiettivo di DeepJ1 è creare un modello capace di generare musica in vari stili che possa portare benefici pratici per i filmmaker e i compositori musicali che hanno bisogno di personalizzare la musica generata per i loro compiti creativi. Ad esempio, un filmmaker potrebbe desiderare di abbinare un video con una musica di uno stile particolare per trasmettere un'emozione desiderata. Il nostro metodo di incorporare lo stile funge da prova concettuale di questa idea. La nostra tecnica potrebbe essere estesa ad altri parametri regolabili nella musica generata come "umore" o "emozione".
-== Caratteristiche ==
-DeepJ si basa su una Biaxial LSTM ma si differenzia dalla configurazione “tradizionale” dell’architettura in due caratteristiche principali: [[Stile]] e [[Dinamica]] (Volume). Il Volume aggiunge carattere e profondità emotiva alla musica, mentre implementare lo Stile rende l’output stilisticamente più coerente, evitando cambiamenti di stile nel bel mezzo di un brano.
-=== Stile ===
-DeepJ opta per rappresentare lo stile utilizzando una rappresentazione distribuita appresa, che si è rivelata più appropriata di una rappresentazione a colpo sicuro fornita
-== Link ==
-[https://arxiv.org/abs/1801.00887 https://arxiv.org/abs/1801.00887 DeepJ: Style-Specific Music Generation (2018)]