Témata prací (Výběr práce)Témata prací (Výběr práce)(verze: 390)
Detail práce
   Přihlásit přes CAS
Optical Music Recognition using Deep Neural Networks
Název práce v češtině: Automatický přepis notových zápisů pomocí hlubokých neuronových sítí
Název v anglickém jazyce: Optical Music Recognition using Deep Neural Networks
Klíčová slova: optické rozpoznávání notopisů, hluboké neuronové sítě
Klíčová slova anglicky: Optical Music Recognition, Deep Neural Networks
Akademický rok vypsání: 2019/2020
Typ práce: bakalářská práce
Jazyk práce: angličtina
Ústav: Ústav formální a aplikované lingvistiky (32-UFAL)
Vedoucí / školitel: doc. RNDr. Pavel Pecina, Ph.D.
Řešitel: skrytý - zadáno a potvrzeno stud. odd.
Datum přihlášení: 06.11.2019
Datum zadání: 06.11.2019
Datum potvrzení stud. oddělením: 19.11.2019
Datum a čas obhajoby: 07.07.2020 09:00
Datum odevzdání elektronické podoby:03.06.2020
Datum odevzdání tištěné podoby:04.06.2020
Datum proběhlé obhajoby: 07.07.2020
Oponenti: Mgr. Jan Hajič, Ph.D.
 
 
 
Zásady pro vypracování
Automatický přepis (rozpoznávání) notových zápisů (Optical Music Recognition) je úloha, při níž je obrazový vstup obsahující notový zápis (tištěný nebo ručně psaný) automaticky převeden do strojově čitelné, strukturované podoby, která umožňuje další zpracování, jako např. přehrání zaznamenané hudby, editaci zápisu, vysázení apod. Výzkum i v této oblasti v poslední době ovlivnilo využití hlubokých neuronových sítí. Většina metod, je ale založena na rozdělení úlohy na části, které jsou řešeny postupně (binarizace, odstranění osnov, detekce objektů, rozpoznání jejich typů a dalších parametrů, syntéza získané informace, zápis v požadovaném formátu). Cílem práce je prozkoumat a implementovat alternativní, tzv. end-to-end přístup, kdy se celá úloha bude řešit najednou, vstupem bude jeden řádek notového zápisu, výstupem jeho přepis do formátu musicXML. V práci budou použita data MUSCIMA++.
Seznam odborné literatury
Hajič, jr. Jan, Pecina Pavel: The MUSCIMA++ Dataset for Handwritten Optical Music Recognition. In: 14th International Conference on Document Analysis and Recognition, ICDAR 2017, Kyoto, Japan, November 13 - 15, 2017, Copyright © IEEE Computer Society, New York, USA, ISBN 978-1-5386-3586-5, ISSN 2379-2140, pp. 39-46, 2017

Hajič, jr. Jan, Dorfer Matthias, Widmer Gerhard, Pecina Pavel: Towards Full-Pipeline Handwritten OMR with Musical Symbol Detection by U-Nets. In: Proceedings of the 19th Conference of the International Society for Music Information Retrieval, Copyright © International Society for Music Information Retrieval, New York, NY, USA, ISBN 978-2-9540351-2-3, pp. 225-232, 2018
 
Univerzita Karlova | Informační systém UK