Моделі та алгоритми класифікації об'єктів в музичних стримінгових системах із використанням глибокого навчання

Abstract

Метою роботи є підвищення ефективності класифікації музичних жанрів шляхом розвитку гібридних методів аналізу спектральних та часових характеристик аудіозаписів і адаптації сучасних нейромережевих рішень. Методи дослідження – спектральний аналіз сигналів MFCC, спектрограми, розклад невід'ємних матриць для вилучення ознак, алгоритми глибокого навчання на базі згорткових нейронних мереж та механізм Temporal Attention. У кваліфікаційній роботі досліджується і вдосконалюється метод автоматизованої класифікації музичних жанрів шляхом аналізу спектральних характеристик. Використано гібридну архітектуру, що поєднує спектральні компоненти NMF, CNN і шар темпоральної уваги. Розроблено програмне забезпечення, яке включає етапи попередньої обробки аудіоданих, формування спектрограм, навчання моделі на наборі даних GTZAN та аналіз отриманих результатів із застосуванням метрик accuracy, precision, recall, F1-score та ROC/AUC. Розроблене рішення може бути використане у сфері автоматичного тегування музики, музичних рекомендаційних сервісів та аудіоаналітики.