Reconhecendo gêneros musicais brasileiros com técnicas de aprendizagem de máquina supervisionada

• Julia Luiza da Conceição UFAM
• Rosiane de Freitas UFAM
• Bruno Gadelha UFAM
• João Gustavo Kienen UFAM
• Sérgio Anders UFAM
• Brendo Cavalcante UFAM

DOI: https://doi.org/10.5753/semish.2020.11328

Resumo

Neste trabalho, é apresentado um estudo sobre o reconhecimento automático dos principais gêneros musicais brasileiros: Axé, Forró, MPB, Rock, Samba e Sertanejo. Para tanto, foram realizados experimentos de classificação automática utilizando a ferramenta Weka e algoritmos clássicos de aprendizagem supervisionada. Foi também realizada uma análise das principais bases de dados disponíveis: GTZAN, FMA, AudioSet, RWC, ISMIR, Magnature e LMD. Como resultado, percebeu-se a escassez de diversidade cultural nestas bases, em sua maioria concentrando estilos globalmente populares como Pop e Rock, reforçando a necessidade de incluir gêneros mais diversos e culturalmente identitários, como os brasileiros.

Palavras-chave: reconhecimento automático, gêneros musicais brasileiros, aprendizagem supervisionada

Referências

Aucouturier, J.-J. and Pachet, F. (2003). Representing musical genre: A state of the art. Journal of New Music Research, 32(1):83–93.

Biau, G. (2012). Analysis of a random forests model. Journal of Machine Learning Research, 13(Apr):1063–1095.

BREsCIA, V. P. (2009). A música como recurso terapêutico. In Encontro Paranaense Congresso Brasileiro de Psicoterapias Corporais, XIV, IX.

Haggblade, M., Hong, Y., and Kao, K. (2011). Music genre classification. Department of Computer Science, Stanford University.

Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I. H. (2009). The weka data mining software: An update. SIGKDD Explor. Newsl., 11(1):10–18.

Jeong, I.-Y. and Lee, K. (2016). Learning temporal features using a deep neural network and its application to music genre classification. In Ismir, pages 434–440.

Lima, M., Valle, V., Costa, E., Lira, F., and Gadelha, B. (2019). Software engineering repositories: Expanding the promise database. In Proceedings of the XXXIII Brazilian Symposium on Software Engineering, pages 427–436.

McFee, B., Raffel, C., Liang, D., Ellis, D. P., McVicar, M., Battenberg, E., and Nieto, O. (2015). librosa: Audio and music signal analysis in python. In Proceedings of the 14th python in science conference, volume 8.

Moreira, S. V., Franc ̧a, C. C., Moreira, M. A., and Lana-Peixoto, M. A. (2009). Identidade musical em pacientes com esclerose múltipla. Arquivos de Neuro-Psiquiatria, 67(1):46–49.

Naik, A. and Samant, L. (2016). Correlation review of classification algorithm using data mining tool: Weka, rapidminer, tanagra, orange and knime. Procedia Computer Science, 85:662–668.

Rajvanshi, N. and Chowdhary, K. (2017). Comparison of svm and na ̈ıve bayes text clas- sification algorithms using weka. International Journal of Engineering Research and, 6:09.

Ramírez, J. and Flores, M. J. (2019). Machine learning for music genre: multifaceted review and experimentation with audioset. Journal of Intelligent Information Systems, pages 1–31.

Silla, C. N., Koerich, A. L., and Kaestner, C. A. (2008). A machine learning approach to automatic music genre classification. Journal of the Brazilian Computer Society, 14(3):7–18.

Silla Jr, C. N., Koerich, A. L., and Kaestner, C. A. (2008). The latin music database. In ISMIR, pages 451–456.

Sturm, B. L. (2012). A survey of evaluation in music genre recognition. In International Workshop on Adaptive Multimedia Retrieval, pages 29–66. Springer.

Sturm, B. L. (2013). The gtzan dataset: Its contents, its faults, their effects on evaluation, and its future use. arXiv preprint arXiv:1306.1461.