Dublin Core
Title
Exploring symbolic music generation techniques using conditional generative adversarial networks
Subject
786.76
Arte
Música de computador
Aprendizaje de máquina
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2021
Los modelos generativos se han convertido en un área de gran importancia en los
últimos tiempos, debido a su capacidad para aprender una distribución probabilística de
los datos de entrada. Actualmente estos modelos han sido explorados para la generación
de imágenes, pero no tanto en el ámbito musical, donde la música es rica en información
estructurada que puede ser aprendida por estos modelos. En este trabajo presentamos el
análisis de dos casos de estudio de modelos generativos basados en redes convolucionales
profundas. Estudiamos su capacidad para generar música simbólica para uno o más instrumentos
en el formato pianoroll, y si es posible condicionar la salida para mostrar características de diferentes compositores o géneros. También estudiamos hasta qué punto
son controlables los resultados generados. Evaluamos ambos modelos utilizando Fréchet
Inception Distance (FID), una métrica para modelos generativos de imágenes, además
de métricas musicales definidas por nosotros. Uno de estos casos es el uso de Style-
GAN2, donde por primera vez se utiliza este tipo de arquitectura en un dominio no visual,
adaptándolo a un contexto distinto con resultados interesantes tanto en FID como en
términos musicales cualitativos. Además, tiene propiedades que son de interés para el área
de la composición musical, como tener un espacio latente desenredado, donde es fácil explorar
diferentes ideas musicales, y la entrada condicional para controlar aún más la salida
del modelo. Creemos que los resultados que mostramos en este trabajo son un paso adelante
en la comprensión de cómo crear mejores modelos generativos en el dominio de la
música simbólica, teniendo en cuenta los conceptos de condicionalidad y controlabilidad
para desarrollar mejores herramientas para los usuarios finales.
últimos tiempos, debido a su capacidad para aprender una distribución probabilística de
los datos de entrada. Actualmente estos modelos han sido explorados para la generación
de imágenes, pero no tanto en el ámbito musical, donde la música es rica en información
estructurada que puede ser aprendida por estos modelos. En este trabajo presentamos el
análisis de dos casos de estudio de modelos generativos basados en redes convolucionales
profundas. Estudiamos su capacidad para generar música simbólica para uno o más instrumentos
en el formato pianoroll, y si es posible condicionar la salida para mostrar características de diferentes compositores o géneros. También estudiamos hasta qué punto
son controlables los resultados generados. Evaluamos ambos modelos utilizando Fréchet
Inception Distance (FID), una métrica para modelos generativos de imágenes, además
de métricas musicales definidas por nosotros. Uno de estos casos es el uso de Style-
GAN2, donde por primera vez se utiliza este tipo de arquitectura en un dominio no visual,
adaptándolo a un contexto distinto con resultados interesantes tanto en FID como en
términos musicales cualitativos. Además, tiene propiedades que son de interés para el área
de la composición musical, como tener un espacio latente desenredado, donde es fácil explorar
diferentes ideas musicales, y la entrada condicional para controlar aún más la salida
del modelo. Creemos que los resultados que mostramos en este trabajo son un paso adelante
en la comprensión de cómo crear mejores modelos generativos en el dominio de la
música simbólica, teniendo en cuenta los conceptos de condicionalidad y controlabilidad
para desarrollar mejores herramientas para los usuarios finales.
Creator
Cartagena Herrera, Manuel
Date
2021-07-19T14:57:39Z
2021-07-19T14:57:39Z
2021
Contributor
Parra Santander, Denis
Cádiz Cádiz, Rodrigo Fernando
Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Rights
acceso abierto
Format
xii, 56 páginas
application/pdf
Language
en
Type
tesis de maestría
Identifier
10.7764/tesisUC/ING/60993
https://doi.org/10.7764/tesisUC/ING/60993
https://repositorio.uc.cl/handle/11534/60993