2023
Classification of Interpretation Differences in String Quartets Based on the Origin of Performers
SPURNÝ, Lubomír, Matěj IŠTVÁNEK a Štěpán MIKLÁNEKZákladní údaje
Originální název
Classification of Interpretation Differences in String Quartets Based on the Origin of Performers
Autoři
SPURNÝ, Lubomír (203 Česká republika, garant, domácí), Matěj IŠTVÁNEK (203 Česká republika) a Štěpán MIKLÁNEK (203 Česká republika)
Vydání
Applied Sciences-Basel, BASEL, MDPI AG, 2023, 2076-3417
Další údaje
Jazyk
angličtina
Typ výsledku
Článek v odborném periodiku
Obor
20202 Communication engineering and systems
Stát vydavatele
Švýcarsko
Utajení
není předmětem státního či obchodního tajemství
Odkazy
Impakt faktor
Impact factor: 2.700 v roce 2022
Kód RIV
RIV/00216224:14210/23:00134454
Organizační jednotka
Filozofická fakulta
UT WoS
000957406100001
Klíčová slova česky
česká hudba; smyčcový kvartet; analýza interpretačního výkonu; získávání informací; automatické učení; software
Klíčová slova anglicky
Czech music; string quartet; music analysis; classification; interpretation; machine learning; music information retrieval; origin; synchronization
Štítky
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 26. 3. 2024 11:39, doc. PhDr. Martin Flašar, Ph.D.
Anotace
V originále
Music Information Retrieval aims at extracting relevant features from music material, while Music Performance Analysis uses these features to perform semi-automated music analysis. Examples of interdisciplinary cooperation are, for example, various classification tasks—from recognizing specific performances, musical structures, and composers to identifying music genres. However, some classification problems have not been addressed yet. In this paper, we focus on classifying string quartet music interpretations based on the origin of performers. Our dataset consists of string quartets from composers A. Dvořák, L. Janáček, and B. Smetana. After transferring timing information from reference recordings to all target recordings, we apply feature selection methods to rank the significance of features. As the main contribution, we show that there are indeed origin-based tempo differences, distinguishable by measure durations, by which performances may be identified. Furthermore, we train a machine learning classifier to predict the performers’ origin. We evaluate three different experimental scenarios and achieve higher classification accuracy compared to the baseline using synchronized measure positions.
Návaznosti
TL05000527, projekt VaV |
|