Paper Information | SBC BOOKS

Fill in your paper information

Language (*)

Title (*)

Keywords (*)

Abstract (*)

Este trabalho trata da criação e otimização de um grande conjunto de características extraídas de um banco de 881 canções populares brasileiras de Sucesso e Não-Sucesso, entre janeiro de 2014 a maio de 2019. A partir desse banco de canções, criou-se três DataSets de características (features) distintas, sendo que o primeiro contém 3215 características estatísticas; o segundo e o terceiro são totalmente inéditos, pois foram formados a partir da Melodia Vocal das canções (Melodia Predominante da Voz), não havendo banco semelhante disponível para pesquisa. O segundo banco representa um gráfico de espectrograma, formado a partir dos 90 segundos iniciais de cada canção. O terceiro banco é o mais peculiar de todos, pois representa uma análise semântica musical do segundo banco, onde a finalidade principal foi construir uma tabela composta pelas sequências melódicas mais frequentes de cada canção. Nossos Datasets usam apenas canções brasileiras e concentram seus dados em um período limitado e contemporâneo. A ideia da criação desses conjuntos de dados é estimular o estudo de técnicas de Aprendizado de Máquina que requeiram informações musicais. Os recursos extraídos podem auxiliar no desenvolvimento de novas pesquisas nas áreas da música e computação no futuro.

Pages (*)

File Link

English Information

Title

Keywords

Abstract

This work deals with the creation and optimization of a large set of characteristics extracted from a bank of 881 popular Brazilian Hit-Songs and Non Hit-Songs, between January 2014 and May 2019. From this bank of songs, three DataSets were created of distinct features, the first of which contains 3215 statistical features; the second and third are completely new, as they were formed from the Vocal Melody of the songs (Predominant Voice Melody), with no similar database available for research. The second bank represents a spectrogram graph, formed from the initial 90 seconds of each song. The third bank is the most peculiar of all, as it represents a musical semantic analysis of the second bank, where the main purpose was to build a table composed of the most frequent melodic sequences of each song. Our Datasets use only Brazilian songs and focus your data on a limited and contemporary period. The idea behind creating these datasets is to encourage the study of Machine Learning techniques that require musical information. The resources extracted may help in the development of new research in the areas of music and computing in the future.

(*) To change the order drag the item to the new position.

Authors

#	Name
1	Rodrigo Lemos(lemos@ufg.br)
2	André Bertoni(tocaestudio@gmail.com)

(*) To change the order drag the item to the new position.

Reference

#	Reference
1	Ay., Y. E. (2018). Spotify dataset 1921-2020, 160k+ tracks.
2	Bertin-Mahieux, T., Ellis, D. P., Whitman, B., and Lamere, P. (2011). The million song dataset.
3	Blume, J. (2019). What makes a song a hit?
4	Bogdanov, D., Wack, N., Gómez, E., Gulati, S., Herrera, P., Mayor, O., Roma, G., Salamon, J., Zapata, J. R., and Serra, X. (2013). Essentia: an audio analysis library for music information retrieval. In International Society for Music Information Retrieval Conference (ISMIR’13), pages 493–498, Curitiba, Brazil.
5	ConnectMIX (2019). Connectmix, monitoramento, auditoria e gestão de áudio em tempo real em rádios e tvs.
6	IBGE (2021). População do brasil.
7	Olteanu, A. (2020). Gtzan dataset - music genre classification.
8	Raieli, R. (2013). Multimedia Information Retrieval: theory and techniques. Elsevier.
9	Salamon, J. (2013). Melody Extraction from Polyphonic Music Signals. PhD thesis, Universitat Pompeu Fabra, Barcelona, Spain

Paper Registration

Fill in your paper information

English Information

Authors

Reference