Automatische Erkennung von Cover-Versionen und Plagiaten in ...

Weitere Magazine

Empfehlungen

Info

Resultate und Perspektiven 94 Wahrscheinlichkeit davon ausgegangen werden, dass es sich um Versionen desselben Musikstücks handelt. Probleme ergeben sich bei dieser Methode jedoch zum einen, wenn die Metadaten unzuverlässig sind. Zum anderen ist in Fällen von Plagiaten nicht anzunehmen, dass ein Musikstück als ganzes mitsamt Liedtext und Titel übernom- men wurde. Für solche Fälle kann auch die Berücksichtigung von Metadaten keinen zusätzlichen Nutzen bringen. Insgesamt ist die Versions-Erkennung ein interessanter Bereich innerhalb des Music Information Retrievals in dem noch viel Spielraum für Verbesserungen vorhanden ist. Man darf somit auf zukünftige Entwicklungen gespannt sein.
Literaturverzeichnis 95 Literaturverzeichnis [1] Toshihiko Abe, Takao Kobayashi, and Satoshi Imai. The if spectrogram: A new spectral representation. In Proceeding of the International Symposium on Simula- tion, Visualization, and Auralization for Acoustic Research and Education, pages 423—430, Tokyo, April 1997. [2] J. Allen. Short term spectral analysis, synthesis, and modification by discrete fourier transform. Acoustics, Speech, and Signal Processing, 25(3):235—238, 1977. [3] M. Atiquzzaman and M. Akhtar. Complete line segment description using the hough transform, 1994. [4] J.J. Bharucha. Neural nets, temporal composities and tonality. In D. Deutsch, editor, The psychology of music, Cognition and Perception, pages 413—440. Ad- cademic Press, second edition edition, 1999. [5] B. Blankertz. The constant q transform. draft, 1999. [6] J. Bonada. Automatic technique in frequency domain for near-lossless time-scale modification of audio. In ICMA: International Computer Music Conference, Berlin, 2000. [7] J. Brown. Calculation of a constant q spectral transformation, September 1990. [8] M. Brown, J. und Puckette. An efficient algorithm for the calculation of a constant q transform, 1992. [9] W. Chai and B. Vercoe. Detection of key change in classical piano music. In Proceedings: International Conference on Music Informaiton Retrieval, 2005. [10] Wai Chai. Automated Analysis of Musical Structure. Phd-thesis, Massachusetts Institute of Technology (MIT), 2005.
Seite 1 und 2:
Automatische Erkennung von Cover-Ve
Seite 3 und 4:
Abstract This thesis is dedicated t
Seite 5 und 6:
Inhaltsverzeichnis IV 3.5 Transpose
Seite 7 und 8:
Abbildungsverzeichnis VI 3.15 Modif
Seite 9 und 10:
Einleitung 1 1 Einleitung Die vorli
Seite 11 und 12:
Einleitung 3 diese Vorgehensweise e
Seite 13 und 14:
Grundlagen 5 2 Grundlagen Dieses Ka
Seite 15 und 16:
Grundlagen 7 Typ III: Stimmen Bei d
Seite 17 und 18:
Grundlagen 9 Kritische Bänder Im m
Seite 19 und 20:
Grundlagen 11 Betrachtet man die mu
Seite 21 und 22:
Grundlagen 13 Abbildung 2.7: Flache
Seite 23 und 24:
Grundlagen 15 Abbildung 2.11: Empir
Seite 25 und 26:
Grundlagen 17 Abbildung 2.15: Dreik
Seite 27 und 28:
Feature Extraktion 19 3.1 Arbeitsab
Seite 29 und 30:
Feature Extraktion 21 3.2 Spektrala
Seite 31 und 32:
Feature Extraktion 23 3.2.3 Fenster
Seite 33 und 34:
Feature Extraktion 25 Name b SNR De
Seite 35 und 36:
Feature Extraktion 27 (a) (b) (c) A
Seite 37 und 38:
Feature Extraktion 29 zur Berechnun
Seite 39 und 40:
Feature Extraktion 31 e(t) ist dabe
Seite 41 und 42:
Feature Extraktion 33 sich am mensc
Seite 43 und 44:
Feature Extraktion 35 3.2.8.3 Simul
Seite 45 und 46:
Feature Extraktion 37 (a) (b) (c) A
Seite 47 und 48:
Feature Extraktion 39 di = ∆i −
Seite 49 und 50:
Feature Extraktion 41 Frequenz devn
Seite 51 und 52: Feature Extraktion 43 Abbildung 3.1
Seite 53 und 54: Feature Extraktion 45 wird. Alterna
Seite 57 und 58: Feature Extraktion 49 einem ringfö
Seite 59 und 60: Feature Extraktion 51 Die Methode g
Seite 61 und 62: Feature Extraktion 53 Gewonnen wird
Seite 63 und 64: Feature Extraktion 55 begründet li
Seite 65 und 66: Feature Extraktion 57 a und b stehe
Seite 67 und 68: Feature Extraktion 59 1. Expectatio
Seite 69 und 70: Feature Extraktion 61 3.6.1.4 Erwei
Seite 71 und 72: Feature Extraktion 63 analyse der z
Seite 75 und 76: Feature Extraktion 67 3.7 Struktura
Seite 77 und 78: Feature Extraktion 69 Die Ähnlichk
Seite 81 und 82: Feature Extraktion 73 einander verg
Seite 85 und 86: Feature Extraktion 77 Ausrichtung z
Seite 87 und 88: Klassifizierung 79 jedoch von solch
Seite 89 und 90: Klassifizierung 81 4.2 Dynamic Time
Seite 91 und 92: Klassifizierung 83 bale Tempo kann
Seite 93 und 94: Klassifizierung 85 Eine Änderung d
Seite 95 und 96: Resultate und Perspektiven 87 • H
Seite 97 und 98: Resultate und Perspektiven 89 Titel
Seite 99 und 100: Resultate und Perspektiven 91 Abbil
Seite 101: Resultate und Perspektiven 93 Grund
Seite 105 und 106: Literaturverzeichnis 97 Processing,
Seite 107 und 108: Literaturverzeichnis 99 [48] Steven
Seite 109: Eidesstattliche Erklärung 101 Eide
Alle anzeigen

Automatische Erkennung von Cover-Versionen und Plagiaten in ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?