Skip to content

Key finder for evaluating different genres of music.

Notifications You must be signed in to change notification settings

matteosoo/MIR_HW1

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

4 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

MIR_HW1

Q1 (GTZAN)

  1. Q1: 以“GTZAN”為Dataset, 作基本template 上的預測

Q1結果:

GTZAN
***** Q1 *****
----------
Genre    	accuracy
pop      	    41%
metal    	    25%
disco    	    32%
blues    	    7%
reggae   	    33%
classical	    -
rock     	    35%
hiphop   	    14%
country  	    32%
jazz     	    16%
----------
Overall accuracy:	27%

高分者: pop和rock類的表現較佳,可能是因為在這兩個音樂類型上,較常使用一般的七聲音階及大小調的樂理技巧在作曲。

低分者: blues和hiphop在作曲的編成上就不太一樣,而是使用特定的HexatonicHeptatonic

Q1-2 (GiantSteps)

  1. Q1-2: 以“GiantSteps”為Dataset, 作基本template 上的預測

Q1-2結果:

GiantSteps
***** Q1-2 *****
----------
Overall accuracy:	22%

如上結果

Q2

  1. Q2: 以“GTZAN”為Dataset, 加入gamma的變動參數作nonlinear transform上的預測

Q2結果:

GTZAN
***** Q2 *****
----------
'gamma = 1'

Genre    	accuracy
pop      	    40%
metal    	    22%
disco    	    33%
blues    	    7%
reggae   	    32%
classical	    -
rock     	    34%
hiphop   	    14%
country  	    34%
jazz     	    16%

Overall accuracy:	26%
----------
'gamma = 10'

Genre    	accuracy
pop      	    39%
metal    	    19%
disco    	    29%
blues    	    4%
reggae   	    29%
classical	    -
rock     	    31%
hiphop   	    15%
country  	    31%
jazz     	    11%

Overall accuracy:	24%
----------
'gamma = 100'

Genre    	accuracy
pop      	    34%
metal    	    19%
disco    	    29%
blues    	    4%
reggae   	    25%
classical	    -
rock     	    28%
hiphop   	    10%
country  	    31%
jazz     	    14%

Overall accuracy:	22%
----------
'gamma = 1000'

Genre    	accuracy
pop      	    33%
metal    	    19%
disco    	    28%
blues    	    5%
reggae   	    26%
classical	    -
rock     	    29%
hiphop   	    9%
country  	    31%
jazz     	    14%

Overall accuracy:	22%
----------

gamma的參數添加,做了非線性的校正。 這邊看來是gamma = 1時,準確率較佳。 然而,參數的大小除了必須藉由實驗的不斷調整外,還需要根據樂曲型態而定,如:表現較差的blues在參數提高的情況有些微幅度回升。

Q3

  1. Q3: 以“GTZAN”為Dataset, 利用mir_eval.key更改原先accuracy的計算

Q3結果:

GTZAN
***** Q3 *****
Genre    	accuracy
pop      	    57%
metal    	    35%
disco    	    49%
blues    	    20%
reggae   	    48%
classical	    -
rock     	    49%
hiphop   	    20%
country  	    55%
jazz     	    32%
----------
Overall accuracy:	41%

這邊結果相較原先基本的template方法有明顯提升。 而提升的原因其實也很直覺,因為透過關係大小調、同名大小調的「權重」上考量,避免了錯者全錯的計算,將得以有效提升準確率。

Q4 (GTZAN)

  1. Q4: 以“GTZAN”為Dataset, 將基本template變成Krumhansl-Schmuckler’s method作預測

Q4結果:

GTZAN
***** Q4 *****
Genre    	accuracy
pop      	    43%
metal    	    27%
disco    	    30%
blues    	    17%
reggae   	    36%
classical	    -
rock     	    35%
hiphop   	    15%
country  	    29%
jazz     	    16%
----------
Overall accuracy:	28%

KS template比較能呈現大小調音符的分佈關係,然而同Q1是透過correct的計算方式運算,可能會減少了許多可能正確的答案,因此準確率並未顯著提升。

Q4-2 (GiantSteps)

  1. Q4-2: 以“GiantSteps”為Dataset, 將基本template變成Krumhansl-Schmuckler’s method作預測

Q4-2結果:

GiantSteps
***** Q4-2 *****
----------
Overall accuracy:	28%

如上結果

Q4_2

  1. Q4_2: 以“GTZAN”為Dataset, 加入gamma的變動參數作nonlinear transform上的預測

Q4_2結果:

GTZAN
***** Q4_2 *****
----------
'gamma = 1'

Genre    	accuracy
pop      	    43%
metal    	    26%
disco    	    32%
blues    	    17%
reggae   	    35%
classical	    -
rock     	    34%
hiphop   	    12%
country  	    31%
jazz     	    15%

Overall accuracy:	28%
----------
'gamma = 10'

Genre    	accuracy
pop      	    40%
metal    	    25%
disco    	    27%
blues    	    17%
reggae   	    31%
classical	    -
rock     	    33%
hiphop   	    15%
country  	    28%
jazz     	    14%

Overall accuracy:	26%
----------
'gamma = 100'

Genre    	accuracy
pop      	    37%
metal    	    25%
disco    	    27%
blues    	    20%
reggae   	    28%
classical	    -
rock     	    32%
hiphop   	    12%
country  	    28%
jazz     	    15%

Overall accuracy:	25%
----------
'gamma = 1000'

Genre    	accuracy
pop      	    37%
metal    	    25%
disco    	    26%
blues    	    21%
reggae   	    30%
classical	    -
rock     	    32%
hiphop   	    11%
country  	    29%
jazz     	    15%

Overall accuracy:	26%
----------

這邊的gamma隨著1, 10, 100, 1000的參數設定有一些變動起伏,更印證實驗的參數拿捏的重要性,也是gamma作為非線性校正上的重要意涵。

Q4_3

  1. Q4_3: 以“GTZAN”為Dataset, 利用mir_eval.key更改原先accuracy的計算

Q4_3結果:

GTZAN
***** Q4_3 *****
Genre    	accuracy
pop      	    57%
metal    	    39%
disco    	    46%
blues    	    30%
reggae   	    51%
classical	    -
rock     	    48%
hiphop   	    22%
country  	    52%
jazz     	    33%
----------
Overall accuracy:	43%

透過mir_eval並配合ks template是目前運算結果後的最佳解,同時也證明好的運算也必需要配合好的評估標準,才能使結果達到最好的預期。

Q5

  1. Q5: 以“BPS-FH”為Dataset, 實作local key detection的預測

About

Key finder for evaluating different genres of music.

Topics

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages