Proposta de base de dados para classificação automática de gêneros musicais brasileiros
DOI:
https://doi.org/10.24208/rebecin.v8i.234Palavras-chave:
Base de Dados; Classificação de Gêneros Musicais; Gêneros Musicais; Música Brasileira; Recuperação de Informação MusicalResumo
Diante da quantidade de músicas disponíveis atualmente, classificar músicas manualmente é uma tarefa árdua. Neste sentido, a classificação automática de gêneros musicais é uma abordagem pertinente, auxiliando o processo de organização, pesquisa, recuperação e recomendação de músicas. Verifica que, apesar da existência de bases de dados tradicionais relacionadas à classificação de gêneros musicais, essas bases tendem a considerar gêneros tradicionais, como o Jazz e a Música Clássica, ignorando gêneros regionais, como os da cultura brasileira, por exemplo. Desse modo, o objetivo deste estudo é apresentar uma base de dados destinada à classificação automática de gêneros musicais brasileiros. Para tanto, utiliza o Spotify para identificar músicas relacionadas aos gêneros Axé, Bossa Nova, Brega, Choro, Forró, Frevo, Funk Carioca, Maracatu, Música Sertaneja, Pagode e Samba. Como resultado, desenvolve uma base de dados com 1.907 registros relacionados a esses gêneros, e estabelece comparação entre esta e outras seis bases de dados, identificando que a base proposta supera quatro bases em número de registros e consiste na mais abrangente em relação ao total de gêneros considerados. Por fim, disponibiliza a base para novos estudos, e incentiva a sua aplicação em pesquisas que envolvam heurísticas de Mineração de Dados e Deep Learning.
Downloads
Referências
AGUIAR, R. L.; COSTA, Y. M. G.; SILLA JR., C. N. Exploring data augmentation to improve music genre classification with ConvNets. In: INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), 29., 2018, Rio de Janeiro. Proceedings [...] . Rio de Janeiro: IEEE, 2018, p. 1-8. Disponível em: https://doi.org/10.1109/IJCNN.2018.8489166. Acesso em: 17 mar. 2021.
FURINI, M. automatic music playlist generation based on music-programming of FM radios. In: ANNUAL CONSUMER COMMUNICATIONS & NETWORKING CONFERENCE (CCNC), 18., 2021, Las Vegas. Proceedings [...] . Las Vegas: IEEE, 2021, p. 1-4. Disponível em: https://doi.org/10.1109/CCNC49032.2021.9369526. Acesso em: 18 mar. 2021.
GOULART, A. J. H. et al. Music genre classification based on entropy and fractal lacunarity. In: IEEE INTERNATIONAL SYMPOSIUM ON MULTIMEDIA, 14., 2011, Dana Point. Proceedings [...] . Dana Point: IEEE, 2011, p. 533-536. Disponível em: https://doi.org/10.1109/ISM.2011.94. Acesso em: 19 mar. 2021.
HOMBURG, H. et al. A benchmark dataset for audio classification and clustering. In: INTERNATIONAL SOCIETY FOR MUSIC INFORMATION RETRIEVAL CONFERENCE, 6., 2005, Londres. Proceedings [...] . Londres: ISMIR, 2005, p. 528-531. Disponível em: https://archives.ismir.net/ismir2005/paper/000117.pdf. Acesso em: 17 mar. 2021.
LI, T.; OGIHARA, M.; LI, Q. A comparative study on content-based music genre classification. In: ACM SIGIR CONFERENCE ON RESEARCH AND DEVELOPMENT IN INFORMAION RETRIEVAL, 26., 2003, Toronto. Proceedings [...] . Toronto: ACM, 2003, p. 282-289. Disponível em: https://doi.org/10.1145/860435.860487. Acesso em: 18 mar. 2021.
LIU, C. et al. Bottom-up broadcast neural network for music genre classification. Multimedia Tools and Applications, v. 80, n. 5, p. 7313-7331, fev. 2021. Disponível em: https://doi.org/10.1007/s11042-020-09643-6. Acesso em: 17 mar. 2021.
MCKKAY, C.; MCENNIS, D.; FUJINAGA, I. A large publicly accessible prototype audio database for music research. In: INTERNATIONAL SOCIETY FOR MUSIC INFORMATION RETRIEVAL CONFERENCE, 7., 2006, Victoria. Proceedings [...] . Victoria: ISMIR, 2006, p. 1-4. Disponível em: http://www.music.mcgill.ca/~cmckay/NEMA/publications/ISMIR_2006_Codaich_jMusicMetaManager.pdf. Acesso em: 17 mar. 2021.
PEREIRA, R. M.; SILLA JR., C.N. Using simplified chords sequences to classify songs genres. In: IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND Expo (ICME), 18., 2017, Hong Kong. Proceedings [...] . Hong Kong: IEEE, 2017, p. 1446-1451. Disponível em: https://doi.org/10.1109/ICME.2017.8019531. Acesso em: 18 mar. 2021.
SANTANA, I. A. P. et al. Music4All: a new music database and its applications. In: INTERNATIONAL CONFERENCE ON SYSTEMS, SIGNALS AND IMAGE PROCESSING (IWSSIP), 27., 2020, Niterói. Proceedings [...] . Niterói: IEEE, 2020, p. 399-404. Disponível em: https://doi.org/10.1109/IWSSIP48289.2020.9145170. Acesso em: 18 mar. 2021.
SILLA JR., C. N.; KOERICH, A. L.; KAESTNER, C. A.A. The latin music database. In: INTERNATIONAL CONFERENCE ON MUSIC INFORMATION RETRIEVAL, 9., 2008. Filadélfia. Proceedings [...] . Filadélfia: ISMIR, 2008. p. 451-456. Disponível em: https://archives.ismir.net/ismir2008/paper/000106.pdf. Acesso em: 17 mar. 2021.
SIMAS FILHO, E. F.; BORGES J.R., E. A.; FERNANDES JR., A. C.L. Genre classification for brazilian music using independent and discriminant features. Journal of Communication and Information Systems, v. 33, n. 1, maio 2018. Disponível em: https://jcis.emnuvens.com.br/jcis/article/view/515. Acesso em: 17 mar. 2021.
SOUSA, J. M.; PEREIRA, E. T.; VELOSO, L. R. A robust music genre classification approach for global and regional music datasets evaluation. In: IEEE INTERNATIONAL CONFERENCE ON DIGITAL SIGNAL PROCESSING (DSP), 21., 2016, Pequim. Proceedings [...] . Pequim: IEEE, 2016. p. 109-113. Disponível em: https://doi.org/10.1109/ICDSP.2016.7868526. Acesso em: 18 mar. 2021.
TZANETAKIS, G.; COOK, P. Musical genre classification of audio signals. IEEE Transactions on Speech and Audio Processing, v. 10, n. 5, p. 293-302, nov. 2002. Disponível em: https://doi.org/10.1109/TSA.2002.800560. Acesso em: 17 mar. 2021.
VISHNUPRIYA, S.; MEENAKSHI, K. Automatic music genre classification using Convolution Neural Network. In: INTERNATIONAL CONFERENCE ON COMPUTER COMMUNICATION AND INFORMATICS (ICCCI), 7., 2018, Coimbatore. Proceedings [...] . Coimbatore: IEEE, 2018. p. 1-4. Disponível em: https://doi.org/10.1109/ICCCI.2018.8441340. Acesso em: 17 mar. 2021.
VÖLKEL, T. et al. Automatic genre classification of Latin American music using characteristic rhythmic patterns. In: AUDIO MOSTLY CONFERENCE: A CONFERENCE ON INTERACTION WITH SOUND, 5., 2010, Piteå. Proceedings [...] . Piteå: ACM, 2010. p. 1-7. Disponível em: https://doi.org/10.1145/1859799.1859815. Acesso em: 19 mar. 2021.
YANG, R. et al. Parallel recurrent convolutional neural networks-based music genre classification method for mobile devices. IEEE Access, v. 8, p. 19629-19637, jan. 2020. Disponível em: https://doi.org/10.1109/ACCESS.2020.2968170. Acesso em: 17 mar. 2021.
YU, Y. et al. Deep attention based music genre classification. Neurocomputing, v. 372, p. 84-91, jan. 2020. Disponível em: https://doi.org/10.1016/j.neucom.2019.09.054. Acesso em: 17 mar. 2021.
Publicado
Como Citar
Edição
Seção
Licença
A REBECIN adota a licença Creative Commons CC-BY 4.0 (https://creativecommons.org/licenses/by/4.0/deed.pt_BR) , a qual permite:
- Compartilhar— copiar e redistribuir o material em qualquer suporte ou formato
- Adaptar— remixar, transformar, e criar a partir do material para qualquer fim, mesmo que comercial.
A REBECIN considera que o autor detém o direito autoral sobre sua produção, porém o autor deve concordar em ceder à revista o direito à primeira publicação. Além disso, o autor deve concordar que:
- em quaisquer publicações em repositórios institucionais, capítulos de livro ou outras produções decorrentes de trabalhos publicados na REBECIN, devem ser dados os devidos créditos à publicação inicial.
- estão autorizados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer momento antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado pela REBECIN.
