III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

More documents

Recommendations

Info

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.desejada (centro do intervalo) do passo de treinamentoanterior. Por exemplo, considerando uma gaussiana devariância igual a 0.001 e média igual à saída desejada.Com isso, a rede aprende a lidar com possíveis variaçõesdurante o treinamento, e apresenta um melhordesempenho na fase de generalização.Foram necessárias 50 mil épocas para que a redeaprendesse os compassos do conjunto de treinamento.Semelhante ao treinamento anterior, os mesmos padrõesde ondulações foram utilizados na fase de composição,em conjunto com as próprias saídas produzidas pela rede.A Figura 8 mostra a melodia gerada para 10 compassos.Figura 8. Exemplo de melodia geradapelo treinamento forçado comprobabilidade gaussiana3.2 Segundo experimentoA principal diferença desse experimento em relação aoprimeiro é que os padrões das ondulações geográficas nãofazem parte do treinamento da rede. Ou seja, durante otreinamento, a rede aprende os compassos extraídos dasmelodias sem a participação desses padrões. Esse sistemarepresenta um compositor que utiliza os conceitosaprendidos e adiciona a esses conceitos uma possívelinspiração para compor novas melodias.Portanto, a rede utilizada também é recorrente, maspossui 8 neurônios de entrada (que representam as notas eseus atributos), 8 neurônios escondidos e 8 neurônios desaída.Os padrões das ondulações geográficas são inseridosno momento da composição. A rede gera novas melodiascom base no que aprendeu durante o treinamento e combase na inspiração, representada por esses padrões.Com um pouco menos de 10 mil épocas e utilizando otreinamento forçado, a rede conseguiu aprender oscompassos do conjunto de treinamento. Como ainformação da inspiração não estava presente na fase detreinamento, o comportamento da rede na fase decomposição é inesperado. Como se espera no final umamelodia musical, talvez esse comportamento não seja umadesvantagem.A Figura 9 representa a melodia gerada pela redenesse experimento para 10 compassos.Figura 9. Exemplo de melodia gerada seminformação de inspiração no treinamento.A Tabela 1, no final do artigo, mostranumericamente os compassos de treinamento e asmelodias geradas pela rede. Como descrito no primeiroexperimento, a cada passo de treinamento a rede recebecomo entrada quatro valores referentes aos padrões dosrelevos naturais e oito valores que representam as quatronotas do compasso e seus atributos de duração. Nosegundo experimento, a rede recebe com entrada apenasos oito valores que representam os compassos. Pode-seobservar na Tabela 1 o resultado das melodias das Figuras6, 8 e 9.4. ConclusãoFoi descrito um sistema de visualização de contornosde relevos naturais em forma de uma composição musicalusando redes neurais, e baseado no treinamento decompassos. Nota-se que apesar de serem consideradas asondulações geográficas, essa inspiração pode sergeneralizada.O sistema é útil para a obtenção automática demelodias para que o usuário possa fazer sua análiseposterior.Foram propostos experimentos que mostram como otreinamento e a representação dos dados na rede podeminfluenciar no resultado final.O sistema assim constituído pode ser aperfeiçoadocom a inclusão de outros atributos para as saídas, comodinâmicas de intensidade e andamento. Outras figurasrítmicas podem ser incluídas e a rede deve ser capaz deaprender uma quantidade maior de compassos. Tambémhá a necessidade de estender a rede para melodiaspolifônicas.Deve-se melhorar também a forma de representaçãodos dados na rede, para buscar uma otimização nos erros.Um exemplo de erro considerado nesse trabalho ocorrequando se tem na saída uma nota de altura diferente, maso atributo de duração indica que essa nota é a continuaçãoem tempos da anterior.Como trabalhos futuros, devem-se incluir osalgoritmos de análise dos resultados da visualização, paraque as melodias geradas possam ser analisadas e269
WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.avaliadas, melhorando a capacidade de generalização darede.5. Referências Bibliográficas[1] BRAGA, A. P.; LUDERMIR, T. B.; CARVALHO, A. P.“Redes Neurais Artificiais – Teoria e Aplicações.”, Rio deJaneiro - RJ, LTC, 2000.Technical Report ICS-8805, Institute for Cognitive Science,University of California, San Diego, CA.[14] YOGI, C. “Aprendendo e Brincando com Música. Vol1.”Editora Fapi, Minas Gerais – MG, 2003.Tabela1: Resultados numéricos dosexperimentos[2] CARPINTEIRO, O. A. S. (2001) “A neural model tosegment musical pieces.” In Proceedings of the SecondBrazilian Symposium on Computer Music, Fifteenth Congressof the Brazilian Computer Society, p. 114 – 120.[3] CHEN, C. C. J.; MIIKKULAINEN, R. (2001) “CreatingMelodies with Evolving Recurrent Neural Network.” InProceedings of the International Joint Conference on NeuralNetworks, IJCNN’01, 2001, p. 2241 – 2246, Washington - DC.[4] ECK, D.; SCHMIDHUBER, J. (2002) “A First Look atMusic Composition using LSTM Recurrent Neural Networks.”Technical Report: IDSIA-07-02.[5] FRANKLIN, J. A. (2006) “Recurrent Neural Networks forMusic Computation.” Informs Journal on Computing, Vol.8,No.3, pp. 321-338.[6] HAYKIN, S. “Neural Networks – A ComprehensiveFoundation.” Prentice Hall, USA, 1999.[7] LADEN, B.; KEEFE, D. H. (1989) “The Representation ofPitch in a Neural Net Model for Chord Classification.”Computer Music Journal, Vol. 13, No.4.[8] MOZER, M. C. (1994) “Neural network music compositionby prediction: Exploring the benefits of psychoacousticconstraints and multiscale processing.” Connection Science,6(2-3), p. 247 – 280.[9]QUINN, M. (2000) “The climate Symphony: RhythmicTechniques Applied to the Sonification of Ice Core Data.” 4thAnnual Conference of the International Environment Forum,Orlando, Florida,USA.[10]TAYLOR, R., BOULANGER, P., TORRES, D. (2006)“Real-Time Music Visualization Using Responsive Imagery.”8th International Conference on Virtual Reality, Laval, France,April 26-30, pp. 62-69.[11]SMITH, S. M., WILLIAMS, G. N. (1997) “A Visualizationof music.” 8th IEEE Visualization 1997 (VIS’97).[12] TODD, P. M. A (1989) “Connectionist Approach toAlgorithmic Composition.” Computer Music Journal: Vol.13,No. 4.Treinamento1ºpasso2ºpasso3ºpasso4ºpasso5ºpasso6ºpasso7ºpasso8ºpasso9ºpasso10ºpassoPadrões deentradaCompassosdeTreinamentoMelodia daFigura 6Melodia daFigura 8Melodia daFigura 9-5 7 1 5 1 5 1 22 1-3 7 0 5 0 5 0 20 18 5 1 4 1 4 1 18 17 5 0 2 1 2 1 18 1-3 7 1 11 1 14 1 17 18 7 0 8 1 12 1 16 17 7 1 1 1 8 1 15 17 4 1 3 1 5 1 15 08 9 1 -2 1 18 1 13 17 7 1 -2 0 16 1 13 07 4 1 9 1 13 1 17 117 7 1 9 0 11 1 17 07 0 1 7 1 15 1 14 17 0 0 5 1 15 0 14 017 4 1 -3 1 15 0 17 125 4 0 0 1 15 0 17 07 2 1 -5 1 11 1 17 117 5 1 -5 0 11 0 17 025 5 1 -1 1 8 1 19 110 5 1 -3 1 8 0 20 117 5 1 -6 1 2 1 25 125 4 1 -2 1 2 0 25 010 2 1 2 1 4 1 25 0-1 2 0 1 1 4 0 22 125 7 1 8 1 -7 1 4 110 7 0 5 1 -4 1 4 0-1 5 1 1 1 -2 1 11 1-5 4 1 1 0 -2 0 11 110 2 1 6 1 8 1 -7 1-1 4 1 6 0 7 1 1 1-5 2 1 11 1 4 1 7 1-6 0 1 5 1 3 1 9 1-1 11 1 25 1 18 1 1 1-5 7 1 20 1 18 0 6 1-6 7 1 20 0 12 1 10 1-6 4 1 20 0 9 1 11 1-5 14 1 3 1 25 1 3 1-6 14 0 3 0 22 1 7 1-6 11 1 13 1 17 1 10 1-7 7 1 8 1 17 0 12 1[13] WILLIANS, R. J., ZIPSER, D. (1988) “A learningalgorithm for continually running fully recurrent networks”.270
Page 1 and 2:
III Workshop de VisãoComputacional
Page 3 and 4:
Instituto de Biociências, Letras e
Page 5 and 6:
WVC 2007 - III Workshop de Visão C
Page 7 and 8:
ApresentaçãoA área de Visão Com
Page 10 and 11:
Automatic Pattern Recognition of Bi
Page 12 and 13:
WVC'2007 - III Workshop de Visão C
Page 14 and 15:
Page 16:
Page 19:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
Page 30 and 31:
Page 33 and 34:
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Page 55 and 56:
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
Page 179 and 180:
Page 181 and 182:
Page 183 and 184:
Page 185 and 186:
Page 187 and 188:
Page 189 and 190:
Page 191 and 192:
Page 193 and 194:
Page 195 and 196:
Page 197 and 198:
Page 199 and 200:
Page 201 and 202:
Page 203 and 204:
Page 205 and 206:
Page 207 and 208:
Page 209 and 210:
Page 211 and 212:
Page 213 and 214:
Page 215 and 216:
Page 217 and 218:
Page 219 and 220:
Page 221 and 222:
Page 223 and 224:
Page 225 and 226:
Page 227 and 228:
Page 229 and 230: WVC'2007 - III Workshop de Visão C
Page 279: WVC'2007 - III Workshop de Visão C
Page 331 and 332:
Page 333 and 334:
Page 335 and 336:
Page 337 and 338:
Page 339 and 340:
Page 341 and 342:
Page 343 and 344:
Page 345 and 346:
Page 347 and 348:
Page 349 and 350:
Page 351 and 352:
Page 353 and 354:
Page 355 and 356:
Page 357 and 358:
Page 359 and 360:
Page 361 and 362:
Page 363:
show all

III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?