ترجمه فارسی مقاله خوشه‌بندی و جداسازی: رویکرد GNN برای پیش‌بینی صدا و کارکنان برای حکاکی امتیاز

چکیده

This paper approaches the problem of separating the notes from a quantized symbolic music piece (e.g., a MIDI file) into multiple voices and staves. This is a fundamental part of the larger task of music score engraving (or score typesetting), which aims to produce readable musical scores for human performers. We focus on piano music and support homophonic voices, i.e., voices that can contain chords, and cross-staff voices, which are notably difficult tasks that have often been overlooked in previous research. We propose an end-to-end system based on graph neural networks that clusters notes that belong to the same chord and connects them with edges if they are part of a voice. Our results show clear and consistent improvements over a previous approach on two datasets of different styles. To aid the qualitative analysis of our results, we support the export in symbolic music formats and provide a direct visualization of our outputs graph over the musical score. All code and pre-trained models are available at https://github.com/CPJKU/piano_svsep

چکیده به فارسی (ترجمه ماشینی)

این مقاله به مشکل جدا کردن یادداشت ها از یک قطعه موسیقی نمادین کمکی (به عنوان مثال ، یک پرونده MIDI) به چندین صدای و غرفه نزدیک می شود.این یک بخش اساسی از کار بزرگتر حکاکی نمره موسیقی (یا تایپ نمره) است که هدف آن تولید نمرات موسیقی قابل خواندن برای مجریان انسانی است.ما روی موسیقی پیانو تمرکز می کنیم و از صداهای هموفونیک ، یعنی صداهایی که می توانند حاوی آکورد و صداهای متقاطع باشند ، پشتیبانی می کنیم ، که به ویژه کارهای دشواری هستند که اغلب در تحقیقات قبلی نادیده گرفته شده اند.ما یک سیستم پایان به پایان را بر اساس شبکه های عصبی نمودار پیشنهاد می کنیم که خوشه ها یادداشت هایی را که متعلق به همان وتر هستند و در صورت بخشی از صدا ، آنها را با لبه ها متصل می کنند.نتایج ما پیشرفت های واضح و مداوم را نسبت به یک رویکرد قبلی در دو مجموعه داده از سبک های مختلف نشان می دهد.برای کمک به تجزیه و تحلیل کیفی نتایج ما ، ما از صادرات در قالب های موسیقی نمادین پشتیبانی می کنیم و تجسم مستقیم از نمودار خروجی های خود را از طریق نمره موسیقی ارائه می دهیم.کلیه مدلهای کد و از قبل آموزش دیده در https://github.com/cpjku/piano_svsep در دسترس هستند