ترجمه فارسی مقاله PDMX: یک مجموعه داده MusicXML دامنه عمومی در مقیاس بزرگ برای پردازش موسیقی نمادین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی PDMX: A Large-Scale Public Domain MusicXML Dataset for Symbolic Music Processing
عنوان مقاله به فارسی PDMX: یک مجموعه داده MusicXML دامنه عمومی در مقیاس بزرگ برای پردازش موسیقی نمادین
نویسندگان Phillip Long, Zachary Novack, Taylor Berg-Kirkpatrick, Julian McAuley
فرمت مقاله انگلیسی PDF
تعداد صفحات 5
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Sound,Artificial Intelligence,Machine Learning,Multimedia,Audio and Speech Processing,صدا , هوش مصنوعی , یادگیری ماشین , چندرسانه ای , پردازش صوتی و گفتار ,
توضیحات Submitted 16 September, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده 16 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The recent explosion of generative AI-Music systems has raised numerous concerns over data copyright, licensing music from musicians, and the conflict between open-source AI and large prestige companies. Such issues highlight the need for publicly available, copyright-free musical data, in which there is a large shortage, particularly for symbolic music data. To alleviate this issue, we present PDMX: a large-scale open-source dataset of over 250K public domain MusicXML scores collected from the score-sharing forum MuseScore, making it the largest available copyright-free symbolic music dataset to our knowledge. PDMX additionally includes a wealth of both tag and user interaction metadata, allowing us to efficiently analyze the dataset and filter for high quality user-generated scores. Given the additional metadata afforded by our data collection process, we conduct multitrack music generation experiments evaluating how different representative subsets of PDMX lead to different behaviors in downstream models, and how user-rating statistics can be used as an effective measure of data quality. Examples can be found at https://pnlong.github.io/PDMX.demo/.

چکیده به فارسی (ترجمه ماشینی)

انفجار اخیر سیستم های موسیقی موسیقی AI ، نگرانی های بی شماری را در مورد کپی رایت داده ها ، صدور مجوز موسیقی از موسیقی دانان و درگیری بین هوش مصنوعی منبع باز و شرکت های بزرگ پرستیژ ایجاد کرده است.چنین مواردی نیاز به داده های موسیقی عاری از حق چاپ را در دسترس عموم قرار می دهد ، که در آن کمبود بزرگی وجود دارد ، به خصوص برای داده های موسیقی نمادین.برای کاهش این مسئله ، ما PDMX را ارائه می دهیم: یک مجموعه داده منبع باز در مقیاس بزرگ با بیش از 250K Domain MusicXML جمع آوری شده از Musescore Forum Score-Sharing ، و آن را به بزرگترین مجموعه داده موسیقی نمادین بدون حق چاپ در دسترس دانش ما تبدیل می کند.علاوه بر این ، PDMX شامل بسیاری از ابرداده های برچسب و تعامل کاربر نیز می شود و به ما امکان می دهد تا به طور کارآمد مجموعه داده ها را تجزیه و تحلیل کنیم و برای نمرات تولید شده توسط کاربر با کیفیت بالا فیلتر کنیم.با توجه به ابرداده اضافی که توسط فرآیند جمع آوری داده های ما فراهم می شود ، ما آزمایش های تولید موسیقی چند عیار را انجام می دهیم که ارزیابی می کنیم چگونه زیر مجموعه های نماینده مختلف PDMX منجر به رفتارهای مختلف در مدلهای پایین دست می شوند و چگونه می توان از آمار رتبه بندی کاربر به عنوان یک اندازه گیری مؤثر از کیفیت داده استفاده کرد.نمونه هایی را می توان در https://pnlong.github.io/pdmx.demo/ یافت.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.