Introduction of musical knowledge and qualitative analysis in chord extraction and prediction tasks with machine learning
Introduction de connaissances musicales et analyse qualitative pour les tâches d'extraction et de prédiction d'accords par apprentissage machine
Résumé
This thesis investigates the impact of introducing musical properties in machine learning models for the extraction and inference of musical features. Furthermore, it discusses the use of musical knowledge to perform qualitative evaluations of the results. In this work, we focus on musical chords since these mid-level features are frequently used to describe harmonic progressions in Western music. Hence, amongst the variety of tasks encountered in the field of Music Information Retrieval (MIR), the two main tasks that we address are the Automatic Chord Extraction (ACE) and the inference of symbolic chord sequences.
In the case of musical chords, there exists inherent strong hierarchical and functional relationships. Indeed, even if two chords do not belong to the same class, they can share the same harmonic function within a chord progression. Hence, we developed a specifically-tailored analyzer that focuses on the functional relations between chords to distinguish strong and weak errors. Here, we define weak errors as a misclassification that still preserves the relevance in terms of harmonic function.
Finally, along with other musical applications, we present the development of a software that interacts with a musician in real-time by inferring expected chord progressions.
Cette thèse étudie l'impact de l'introduction de propriétés musicales dans les modèles d'apprentissage machine pour l'extraction et l'inférence de structures musicales. De plus, elle traite de l'utilisation des connaissances musicales pour effectuer des évaluations qualitatives des résultats.
Dans ce travail, nous nous concentrons sur les accords musicaux puisque ce sont des objets fréquemment utilisées pour décrire les progressions harmoniques dans la musique occidentale. Ainsi, parmi la variété des tâches rencontrées dans le domaine de la recherche d'informations musicales (MIR), les deux principales tâches que nous abordons sont l'extraction automatique d'accords (ACE) et l'inférence de séquences de label d'accords.
Dans le cas des accords musicaux, il existe de fortes relations inhérentes d'un point de vue hiérarchique et fonctionnel. En effet, même si deux accords n'appartiennent pas à la même classe, ils peuvent partager la même fonction harmonique au sein d'une progression d'accords. Ainsi, nous avons développé un analyseur spécifiquement adapté qui se concentre sur les relations fonctionnelles entre les accords pour distinguer les erreurs fortes et faibles. Ici, nous définissons les erreurs faibles comme une mauvaise classification qui conserve la pertinence en termes de fonction harmonique.