✖


Jump to content

Оптическое распознавание музыки

Оптическое распознавание музыки ( OMR ) — это область исследований, изучающая способы вычислительного чтения нотной записи в документах. [1] Цель OMR — научить компьютер читать и интерпретировать ноты и создавать машиночитаемую версию партитуры. После цифровой записи музыку можно сохранить в широко используемых форматах файлов, например MIDI (для воспроизведения) и MusicXML (для макета страницы). В прошлом его ошибочно называли « оптическим распознаванием музыкальных символов ». Из-за существенных различий этот термин больше не следует использовать. [2]

История

[ редактировать ]
Впервые опубликовано цифровое сканирование партитур Дэвида Прерау в 1971 году.

Оптическое распознавание нот печатных нот началось в конце 1960-х годов в Массачусетском технологическом институте первые сканеры изображений . , когда исследовательским институтам стали доступны [3] [4] [5] Из-за ограниченной памяти ранних компьютеров первые попытки ограничивались лишь несколькими тактами музыки. В 1984 году японская исследовательская группа из Университета Васэда разработала специализированного робота, получившего название WABOT (WAseda roBOT), который был способен читать лежащий перед ним нотный лист и аккомпанировать певцу на электрическом органе . [6] [7]

Ранние исследования в области OMR проводились Ичиро Фудзинага, Николасом Картером, Киа Нг, Дэвидом Бейнбриджем и Тимом Беллом. Эти исследователи разработали многие методы, которые используются до сих пор.

Первое коммерческое приложение OMR, MIDISCAN (теперь SmartScore ), было выпущено в 1991 году корпорацией Musitek.

Доступность смартфонов с хорошими камерами и достаточной вычислительной мощностью проложила путь к мобильным решениям, в которых пользователь делает снимок с помощью смартфона, а устройство непосредственно обрабатывает изображение.

Связь с другими полями

[ редактировать ]
Связь оптического распознавания музыки с другими областями исследований

Оптическое распознавание музыки связано с другими областями исследований, включая компьютерное зрение , анализ документов и поиск музыкальной информации . Это актуально для практикующих музыкантов и композиторов, которые могут использовать системы OMR как средство ввода музыки в компьютер и тем самым упростить процесс сочинения , транскрипции и редактирования музыки. В библиотеке система OMR может обеспечить возможность поиска партитур. [8] а музыковедам это позволит проводить масштабные количественные музыковедческие исследования. [9]

OMR против OCR

[ редактировать ]

Оптическое распознавание музыки часто сравнивают с оптическим распознаванием символов. [2] [10] [11] Самая большая разница в том, что нотная запись — это особая система письма. Это означает, что хотя алфавит состоит из четко определенных примитивов (например, стволов, нотных головок или флажков), именно их конфигурация – то, как они размещены и расположены на нотоносце – определяет семантику и то, как ее следует интерпретировать.

Вторым важным отличием является тот факт, что, хотя система OCR не выходит за рамки распознавания букв и слов, ожидается, что система OMR также будет восстанавливать семантику музыки: пользователь ожидает, что вертикальное положение ноты (графическая концепция) будет изменено. переводится в высоту тона (музыкальное понятие) с применением правил нотной записи. Обратите внимание, что в распознавании текста нет надлежащего эквивалента. По аналогии, восстановить музыку по изображению нотного листа может быть так же сложно, как восстановить HTML исходный код со скриншота веб -сайта .

Третье отличие связано с используемым набором символов. Хотя такие системы письма, как китайская, имеют чрезвычайно сложные наборы символов, набор символов примитивов для OMR охватывает гораздо больший диапазон размеров: от крошечных элементов, таких как точка, до больших элементов, которые потенциально могут занимать всю страницу, например, фигурная скобка. Некоторые символы имеют практически неограниченный внешний вид, например, лиги, которые представляют собой более или менее плавные кривые, которые могут прерываться где угодно.

Наконец, нотная запись предполагает повсеместные двумерные пространственные отношения, тогда как текст можно читать как одномерный поток информации, как только установлена ​​базовая линия.

Подходы к ОМР

[ редактировать ]
Отрывок из Ноктюрна соч. 15 , нет. 2, Фредерик Шопен – проблемы, возникающие при оптическом распознавании музыки

Процесс распознавания музыкальных композиций обычно разбивается на более мелкие этапы, которые обрабатываются специализированными алгоритмами распознавания образов .

Было предложено множество конкурирующих подходов, большинство из которых имеют конвейерную архитектуру, где каждый шаг этого конвейера выполняет определенную операцию, например, обнаружение и удаление кадровых линий перед переходом к следующему этапу. Общая проблема такого подхода заключается в том, что ошибки и артефакты, возникшие на одном этапе, распространяются по системе и могут сильно повлиять на производительность. Например, если на этапе обнаружения линий нотоносца не удается правильно определить наличие музыкальных нотоносцев, последующие шаги, вероятно, будут игнорировать эту область изображения, что приведет к отсутствию информации на выходе.

Оптическое распознавание музыки часто недооценивают из-за кажущегося простого характера проблемы: при наличии идеального сканирования наборной музыки визуальное распознавание можно решить с помощью последовательности довольно простых алгоритмов, таких как проекции и сопоставление шаблонов. Однако этот процесс значительно усложняется из-за плохих сканов или рукописной музыки, которую многие системы вообще не распознают. И даже если бы все символы были обнаружены идеально, восстановить музыкальную семантику все равно сложно из-за неясностей и частых нарушений правил нотной записи (см. пример Ноктюрна Шопена). Дональд Берд и Якоб Симонсен утверждают, что OMR сложен, потому что современная нотная запись чрезвычайно сложна. [11]

Дональд Берд также собрал ряд интересных примеров. [12] а также крайние примеры [13] нотной записи, которые демонстрируют явную сложность нотной записи.

Результаты систем OMR

[ редактировать ]

Типичные применения систем OMR включают создание звуковой версии партитуры (так называемая возможность повторного воспроизведения). Распространенный способ создания такой версии — создание MIDI- файла, который можно синтезировать в аудиофайл. Однако MIDI-файлы не способны хранить информацию о гравировке (как были расположены ноты) или энгармоническом написании.

Если партитуры распознаются с целью удобства чтения человеком (так называемая возможность повторной печати), необходимо восстановить структурированную кодировку, которая включает точную информацию о макете и гравюре. Подходящие форматы для хранения этой информации включают MEI и MusicXML .

Помимо этих двух приложений, также может быть интересно просто извлечь метаданные из изображения или включить поиск. В отличие от первых двух приложений, для выполнения этих задач может оказаться достаточным более низкий уровень понимания партитуры.

Общие рамки (2001 г.)

[ редактировать ]
Архитектура оптического распознавания музыки Бейнбриджа и Белла (2001)

В 2001 году Дэвид Бейнбридж и Тим Белл опубликовали свою работу по проблемам OMR, в которой они рассмотрели предыдущие исследования и выделили общую структуру OMR. [10] Их структура использовалась во многих системах, разработанных после 2001 года. Структура состоит из четырех отдельных этапов, в которых особое внимание уделяется визуальному обнаружению объектов. Они заметили, что реконструкция музыкальной семантики часто опускалась в опубликованных статьях, поскольку используемые операции были специфичны для выходного формата.

Уточненная структура (2012 г.)

[ редактировать ]
Общая основа оптического распознавания музыки, предложенная Аной Ребело и др. в 2012 году

В 2012 году Ана Ребело и др. рассмотрены методы оптического распознавания музыки. [14] Они классифицировали опубликованные исследования и разбили конвейер OMR на четыре этапа: предварительная обработка, распознавание музыкальных символов, реконструкция нотной записи и построение окончательного представления. Эта структура стала стандартом де-факто для OMR и используется до сих пор (хотя иногда с немного другой терминологией). Для каждого блока они дают обзор методов, которые используются для решения этой проблемы. Эта публикация является наиболее цитируемой статьей об исследованиях OMR по состоянию на 2019 год.

Глубокое обучение (с 2016 г.)

[ редактировать ]

С появлением глубокого обучения многие проблемы компьютерного зрения перешли от императивного программирования с ручной эвристикой и разработкой функций к машинному обучению. При оптическом распознавании музыки этап обработки кадров, [15] [16] этап обнаружения музыкальных объектов, [17] [18] [19] [20] а также этап реконструкции нотной записи [21] видели успешные попытки решить их с помощью глубокого обучения.

Были предложены даже совершенно новые подходы, в том числе комплексное решение OMR с использованием моделей «последовательность-последовательность», которые берут изображение музыкальных партитур и непосредственно создают распознанную музыку в упрощенном формате. [22] [23] [24] [25]

Известные научные проекты

[ редактировать ]

Задача по удалению персонала

[ редактировать ]

Для систем, разработанных до 2016 года, обнаружение и удаление персонала представляло собой существенное препятствие. Для улучшения состояния техники и развития области был организован научный конкурс. [26] Из-за отличных результатов и современных методик, которые сделали этап удаления персонала устаревшим, этот конкурс был прекращен.

Тем не менее, свободно доступный набор данных CVC-MUSCIMA, который был разработан для этой задачи, по-прежнему очень актуален для исследований OMR, поскольку он содержит 1000 высококачественных изображений рукописных музыкальных партитур, расшифрованных 50 различными музыкантами. В дальнейшем он был расширен набором данных MUSCIMA++, который содержит подробные аннотации для 140 из 1000 страниц.

В SIM-карте

[ редактировать ]

Проект «Единый интерфейс для поиска и анализа партитур» (SIMSSA) [27] вероятно, самый крупный проект, который пытается научить компьютеры распознавать музыкальные партитуры и делать их доступными. Несколько подпроектов уже успешно завершены, в том числе Liber Usualis. [28] и последняя песня [29]

СТВОЛ

[ редактировать ]

Общественные архивы онлайн-музыки «Навстречу более богатым» (TROMPA) — это международный исследовательский проект, спонсируемый Европейским Союзом, который исследует, как сделать общедоступные цифровые музыкальные музыкальные ресурсы более доступными. [30]

Наборы данных

[ редактировать ]

При разработке систем OMR используются наборы тестовых данных достаточного размера и разнообразия, позволяющие гарантировать работу разрабатываемой системы в различных условиях. Однако по юридическим причинам и возможным нарушениям авторских прав собрать и опубликовать такой набор данных сложно. Наиболее известные наборы данных для OMR ссылаются и обобщаются в проекте OMR Datasets. [31] и включить CVC-MUSCIMA, [32] МУСЦИМА++, [33] ДипСкорс, [34] Примус, [35] ХОМУС, [36] и набор данных SEILS, [37] а также Коллекция универсальных музыкальных символов. [38]

Французская компания Newzik применила другой подход при разработке технологии OMR Maestria. [39] с использованием случайной генерации очков. Использование синтетических данных помогло избежать проблем с авторскими правами и обучить алгоритмы искусственного интеллекта музыкальным случаям, которые редко встречаются в реальном репертуаре, что в конечном итоге привело (по утверждениям компании) к более точному распознаванию музыки. [40]

Программное обеспечение

[ редактировать ]

Академическое программное обеспечение и программное обеспечение с открытым исходным кодом

[ редактировать ]

Проекты OMR с открытым исходным кодом значительно различаются: от хорошо разработанного программного обеспечения, такого как Audiveris , до множества проектов, реализованных в научных кругах, но лишь немногие из которых достигли зрелого состояния и были успешно развернуты среди пользователей. Эти системы включают в себя:

Коммерческое программное обеспечение

[ редактировать ]

Большинство коммерческих настольных приложений, разработанных за последние 20 лет, были снова закрыты из-за отсутствия коммерческого успеха, в результате чего осталось лишь несколько поставщиков, которые все еще разрабатывают, поддерживают и продают продукты OMR. Некоторые из этих продуктов заявляют о чрезвычайно высоких показателях распознавания с точностью до 100%. [49] [50] но не раскрывают, как были получены эти цифры, что делает практически невозможным их проверку и сравнение различных систем OMR.

  • капелла-скан [51]
  • FORTE по обозначениям Forte [52]
  • Сканирование MIDI-соединений с помощью систем композиции и аранжировки [53]
  • NoteScan в комплекте с Nightingale [54]
  • Мириад САРЛ
    • Дополнение OMeR (Optical Music easy Reader) для Harmony Assistant и Melody Assistant: Myriad Software [55]
    • PDFtoMusic Pro [56]
  • PhotoScore от Neuratron [50] используется облегченная версия PhotoScore В Sibelius ; PhotoScore использует SharpEye SDK
  • Скорскан от npcImaging [57]
  • SmartScore от Musitek. [58] Ранее упаковывался как «MIDISCAN». (SmartScore Lite использовался в предыдущих версиях Finale ).
  • ScanScore [59] (Также в комплекте с Forte Notation .) [52]
  • Импортер Soundslice PDF/изображений. [60] Бета-версия системы OMR на основе искусственного интеллекта выпущена в сентябре 2022 года. [61]
  • Маэстрия от Newzik. [39] Maestria, выпущенная в мае 2021 года, представляет собой пример технологии OMR нового поколения, основанной на глубоком обучении. Компания утверждает, что это не только приносит лучшие результаты, но и означает, что «она становится более точной с каждым преобразованием». [62]

Мобильные приложения

[ редактировать ]

Улучшение камер и увеличение вычислительной мощности позволили создать целый ряд мобильных приложений как в Google Play Store, так и в Apple Store. Часто основное внимание уделяется воспроизведению с листа (см. чтение с листа ) — преобразованию нот в звук, который воспроизводится на устройстве.

  • iSeeNotes от Gear Up AB [63]
  • NotateMe Now от Neuratron [64]
  • Сканер нотаций от Сун Чжана [65]
  • PlayScore 2 от Organum Ltd. [66]
  • SmartScore NoteReader от Musitek [67]
  • Приложение Ньюзик [68]

См. также

[ редактировать ]

Ссылки

[ редактировать ]
  1. ^ Пача, Александр (2019). Самообучающееся оптическое распознавание музыки (доктор философии). ТУ Вена, Австрия. дои : 10.13140/RG.2.2.18467.40484 .
  2. ^ Jump up to: а б Кальво-Сарагоса, Хорхе; Гаич, Ян младший; Паша, Александр (2020). «Понимание оптического распознавания музыки». Обзоры вычислительной техники ACM . 53 (4): 1–35. arXiv : 1908.03608 . дои : 10.1145/3397499 . S2CID   199543265 .
  3. ^ Оптическое распознавание музыки для чайников. Часть 2. Введение и история . youtube.com . Ютуб . 3 октября 2018 г. Архивировано из оригинала 21 декабря 2021 г. Проверено 24 июня 2021 г.
  4. ^ Пруслин, Деннис Ховард (1966). Автоматическое распознавание нот (доктор философии). Массачусетский технологический институт, Кембридж, Массачусетс, США.
  5. ^ Прерау, Дэвид С. (1971). Компьютерное распознавание образов нот . Осенняя совместная компьютерная конференция. стр. 153–162.
  6. ^ «ВАБОТ – РОБОТ ВАСЕДА» . wasda.ac.jp . Гуманоид Университета Васэда . Проверено 14 июля 2019 г.
  7. ^ «Вабот 2» . ИИЭЭ . ИИЭЭ . Проверено 14 июля 2019 г.
  8. ^ Лаплант, Одри; Фудзинага, Ичиро (2016). Оцифровка партитур: проблемы и возможности для библиотек . 3-й международный семинар по электронным библиотекам музыковедения. стр. 45–48.
  9. ^ Гаич, Ян младший; Коларова, Марта; Паша, Александр; Кальво-Сарагоса, Хорхе (2018). Как современные системы оптического распознавания музыки становятся полезными для цифровых библиотек . 5-я Международная конференция по электронным библиотекам музыковедения. Париж, Франция. стр. 57–61.
  10. ^ Jump up to: а б с Бейнбридж, Дэвид; Белл, Тим (2001). «Задача оптического распознавания музыки» . Компьютеры и гуманитарные науки . 35 (2): 95–121. дои : 10.1023/А:1002485918032 . S2CID   18602074 . Проверено 23 февраля 2017 г.
  11. ^ Jump up to: а б Берд, Дональд; Симонсен, Якоб Грю (2015). «К стандартному испытательному стенду для оптического распознавания музыки: определения, показатели и изображения страниц». Журнал исследований новой музыки . 44 (3): 169–195. дои : 10.1080/09298215.2015.1045424 .
  12. ^ Берд, Дональд (ноябрь 2017 г.). «Галерея интересной нотной грамоты» . Индиана.edu . Проверено 14 июля 2019 г.
  13. ^ Берд, Дональд (октябрь 2018 г.). «Крайности традиционной нотной записи» . Индиана.edu . Проверено 14 июля 2019 г.
  14. ^ РЕБЕЛО, Ана; Фудзинага, Ичиро; Пашкевич, Фелипе; МАРКАЛ, Андре Р.С.; Гедес, Карлос; КАРДОЗО, Джейми душ Сантос (2012). «Оптическое распознавание музыки: современное состояние и открытые вопросы» (PDF) . Международный журнал поиска мультимедийной информации . 1 (3): 173–190. дои : 10.1007/s13735-012-0004-6 . S2CID   12964479 . Проверено 15 июля 2019 г.
  15. ^ Гальего, Антонио-Хавьер; Кальво-Сарагоса, Хорхе (2017). «Удаление кадровых линий с помощью селективных автоэнкодеров». Экспертные системы с приложениями . 89 : 138–148. дои : 10.1016/j.eswa.2017.07.002 . hdl : 10045/68971 .
  16. ^ Кастелланос, Фансиско Дж.; Кальво-Сарагоса, Хорхе; Вильенсони, Габриэль; Фудзинага, Ичиро (2018). Анализ документов изображений музыкальных партитур с помощью селективных автокодировщиков (PDF) . 19-я конференция Международного общества поиска музыкальной информации. Париж, Франция. стр. 256–263 . Проверено 15 июля 2019 г.
  17. ^ Таггенер, Лукас; Элези, Исмаил; Шмидхубер, Юрген; Стадельманн, Тило (2018). Детектор глубоких водоразделов для распознавания музыкальных объектов (PDF) . 19-я конференция Международного общества поиска музыкальной информации. Париж, Франция. стр. 271–278 . Проверено 15 июля 2019 г.
  18. ^ Гаич, Ян младший; Дорфер, Матиас; Видмер, Герхард; Печина, Павел (2018). На пути к полноценному рукописному OMR с обнаружением музыкальных символов с помощью U-Nets (PDF) . 19-я конференция Международного общества поиска музыкальной информации. Париж, Франция. стр. 225–232 . Проверено 15 июля 2019 г.
  19. ^ Паша, Александр; Гаич, Ян младший; Кальво-Сарагоса, Хорхе (2018). «Основы общего обнаружения музыкальных объектов с помощью глубокого обучения» . Прикладные науки . 8 (9): 1488–1508. дои : 10.3390/app8091488 . hdl : 20.500.12708/20052 .
  20. ^ Паша, Александр; Чой, Квон-Янг; Куаснон, Бертран; Рикебург, Янн; Занибби, Ричард; Эйденбергер, Хорст (2018). Обнаружение рукописных музыкальных объектов: открытые проблемы и базовые результаты (PDF) . 13-й международный семинар по системам анализа документов. стр. 163–168. дои : 10.1109/DAS.2018.51 . Проверено 2 сентября 2019 г.
  21. ^ Паша, Александр; Кальво-Сарагоса, Хорхе; Гаич, Ян младший. (2019). Обучение построению графов нотаций для полноконвейерного оптического распознавания музыки (PDF) . 20-я конференция Международного общества поиска музыкальной информации . Проверено 2 июля 2023 г.
  22. ^ ван дер Вель, Eelco; Ульрих, Карен (2017). Оптическое распознавание музыки с помощью сверточных моделей последовательностей (PDF) . 18-я конференция Международного общества поиска музыкальной информации. Сучжоу, Китай.
  23. ^ Кальво-Сарагоса, Хорхе; Ризо, Дэвид (2018). «Сквозное нейрооптическое распознавание монофонических музыкальных произведений» . Прикладные науки . 8 (4): 606. дои : 10.3390/app8040606 . hdl : 10251/143793 .
  24. ^ барон, Арнау; Риба, Пау; Кальво-Сарагоса, Хорхе; Форнес, Алисия (2017). Оптическое распознавание музыки с помощью рекуррентных нейронных сетей . 14-я Международная конференция по анализу и распознаванию документов. стр. 25–26. дои : 10.1109/ICDAR.2017.260 .
  25. ^ барон, Арнау; Риба, Пол; Кальво-Сарагоса, Хорхе; Форнес, Алисия (2019). «От оптического распознавания музыки к распознаванию рукописной музыки: основа». Буквы для распознавания образов . 123 : 1–8. Бибкод : 2019ПаРеЛ.123....1Б . дои : 10.1016/j.patrec.2019.02.029 . hdl : 10045/89708 . S2CID   127170982 .
  26. ^ Форнес, Алисия; Дутта, Анджан; Гордо, Альберт; Лладос, Хосеп (2013). «Конкурсы музыкальных композиций 2012 года: увольнение сотрудников и идентификация авторов». В Ён-Бин Квоне; Жан-Марк Ожье (ред.). Распознавание графики. Новые тенденции и вызовы . Конспекты лекций по информатике. Том. 7423. Спрингер. стр. 173–186. дои : 10.1007/978-3-642-36824-0_17 . ISBN  978-3-642-36823-3 .
  27. ^ «Единый интерфейс для проекта поиска и анализа музыкальной партитуры» . simssa.ca . Университет Макгилла . Проверено 14 июля 2019 г.
  28. ^ «Поиск в Liber Usualis» . book.simssa.ca . Университет Макгилла . Проверено 14 июля 2019 г.
  29. ^ «Кантус Ультимус» . cantus.simssa.ca . Университет Макгилла . Проверено 14 июля 2019 г.
  30. ^ «На пути к расширению общедоступных музыкальных онлайн-архивов» . trompamusic.eu . Проверено 14 июля 2019 г.
  31. ^ Паша, Александр. «Наборы данных оптического распознавания музыки» . github.io . Проверено 14 июля 2019 г.
  32. ^ Форнес, Алисия; Дутта, Анджан; Гордо, Альберт; Лладос, Хосеп (2012). «CVC-MUSCIMA: достоверные сведения о рукописных изображениях партитур для идентификации авторов и удаления сотрудников». Международный журнал по анализу и распознаванию документов . 15 (3): 243–251. дои : 10.1007/s10032-011-0168-2 . S2CID   17946417 .
  33. ^ Гаич, Ян младший; Печина, Павел (2017). Набор данных MUSCIMA++ для оптического распознавания рукописной музыки . 14-я Международная конференция по анализу и распознаванию документов. Киото, Япония. стр. 39–46. дои : 10.1109/ICDAR.2017.16 .
  34. ^ Таггенер, Люк; Элези, Исмаил; Шмидхубер, Юрген; Пелильо, Марчелло; Стадельманн, Тило (2018). DeepScores — набор данных для сегментации, обнаружения и классификации крошечных объектов . 24-я Международная конференция по распознаванию образов. Пекин, Китай. дои : 10.21256/zhaw-4255 .
  35. ^ Кальво-Сарагоса, Хорхе; Ризо, Дэвид (2018). Camera-PrIMuS: сквозное нейронное оптическое распознавание музыки на основе реалистичных монофонических партитур (PDF) . 19-я конференция Международного общества поиска музыкальной информации. Париж, Франция. стр. 248–255 . Проверено 15 июля 2019 г.
  36. ^ Кальво-Сарагоса, Хорхе; Ончина, Хосе (2014). Распознавание нотной записи, написанной пером: набор данных HOMUS . 22-я Международная конференция по распознаванию образов. стр. 3038–3043. дои : 10.1109/ICPR.2014.524 .
  37. ^ Парада-Кабалейру, Эмилия; Батлинер, Антон; Бэрд, Элис; Шуллер, Бьёрн (2017). Набор данных SEILS: символически закодированные партитуры в современной ранней нотации для вычислительной музыковедения (PDF) . 18-я конференция Международного общества поиска музыкальной информации. Сучжоу, Китай. стр. 575–581 . Проверено 12 августа 2020 г.
  38. ^ Паша, Александр; Эйденбергер, Хорст (2017). К универсальному классификатору музыкальных символов . 14-я Международная конференция по анализу и распознаванию документов. Киото, Япония. стр. 35–36. дои : 10.1109/ICDAR.2017.265 .
  39. ^ Jump up to: а б «Маэстрия» . newzik.com . Ньюзик . Проверено 24 июня 2021 г.
  40. ^ Изучите теорию музыки и алгоритмы вместе с Мари Шупо, исследователем искусственного интеллекта . youtube.com (на французском языке). Ютуб . 21 июня 2021 года. Архивировано из оригинала 21 декабря 2021 года . Проверено 24 июня 2021 г.
  41. ^ «Аруспикс» . aruspix.net . Проверено 15 июля 2019 г.
  42. ^ «Вы слышали » github.com Проверено 15 июля 2019 г.
  43. ^ «Дэвид Бейнбридж (домашняя страница)» . waikato.ac.nz . Проверено 15 июля 2019 г.
  44. ^ «Дополнение к Gamera: набор инструментов MusicStaves» . hsnr.de. ​Проверено 15 июля 2019 г.
  45. ^ Куаснон, Бертран (2001). DMOS: универсальный метод распознавания документов, применение к автоматическому генератору музыкальных партитур, системам распознавания математических формул и табличных структур . Шестая международная конференция по анализу и распознаванию документов. стр. 215–220. дои : 10.1109/ICDAR.2001.953786 .
  46. ^ «oemer: Комплексная система оптического распознавания музыки (OMR)» . github.com . Проверено 21 сентября 2023 г.
  47. ^ «ОпенОМР» . sourceforge.net . 10 апреля 2013 года . Проверено 26 января 2017 г.
  48. ^ «Родан» . github.com . Проверено 15 июля 2019 г.
  49. ^ «Восьмой отдых или размазка» . capella-software.com . Капелла-Софтвер АГ . Проверено 15 июля 2019 г.
  50. ^ Jump up to: а б «PhotoScore и NotateMe Ultimate» . www.neuratron.com . Нейратрон . Проверено 24 июня 2021 г.
  51. ^ «капелла-скан» . capella-software.com . Капелла-Софтвер АГ . Проверено 24 июня 2021 г.
  52. ^ Jump up to: а б «ФОРТЕ 12 Премиум издание» . fortenotation.com . Обозначение Форте . Проверено 24 июня 2021 г.
  53. ^ «MIDI-Соединения СКАН 2.1» . миди-соединения.com . Составление и аранжировка систем . Проверено 24 июня 2021 г.
  54. ^ «Соловей» . ngale.com . Решения Adept для нотной записи. 11 января 2008 года . Проверено 30 марта 2021 г.
  55. ^ «ОМеР» . myriad-online.com . Мириад САРЛ . Проверено 6 октября 2013 г.
  56. ^ «PDFtoMusic Pro» . myriad-online.com . Мириад САРЛ . Проверено 13 ноября 2015 г.
  57. ^ «Информация СкорСкан» . npcimaging.com . Изображение NPC . Проверено 6 октября 2013 г.
  58. ^ «СмартСкор» . Musitek.com . Муситек . Проверено 24 июня 2021 г.
  59. ^ «СканСкор» . scan-score.com . СКАНСКОР . Проверено 24 ноября 2019 г.
  60. ^ «Сканер нот Soundslice» . www.soundslice.com . Звуковой фрагмент . Проверено 17 декабря 2022 г.
  61. ^ «Soundslice PDF и сканирование фотографий (бета)» . www.soundslice.com . Звуковой фрагмент . Проверено 17 декабря 2022 г.
  62. ^ Ротман, Филип (26 мая 2021 г.). «Newzik представляет интерактивные LiveScores с Maestria, оптическим распознаванием музыки на основе искусственного интеллекта» . www.scorenotes.com . Примечание по подсчету очков . Проверено 24 июня 2021 г.
  63. ^ «iSeeNotes» . iseenotes.com . Набирайся сил AB . Проверено 24 июня 2021 г.
  64. ^ «НотатеМе» . www.neuratron.com . Нейратрон . Проверено 24 июня 2021 г.
  65. ^ «Сканер нотаций» . apps.apple.com . Apple Inc. , 23 марта 2020 г. Проверено 24 июня 2021 г.
  66. ^ «PlayScore 2» . playscore.co . PlayScore . Проверено 24 июня 2021 г.
  67. ^ «SmartScore NoteReader» . play.google.com . Проверено 24 июня 2021 г.
  68. ^ «Приложение Ньюзик» . newzik.com . Ньюзик . Проверено 24 июня 2021 г.
[ редактировать ]

СМИ, связанные с оптическим распознаванием музыки, на Викискладе?

Retrieved from "https://en.wikipedia.org/w/index.php?title=Optical_music_recognition&oldid=1237718031"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 61cd614375bc599201627b76bfdcc8d1__1722389700
URL1:https://arc.ask3.ru/arc/aa/61/d1/61cd614375bc599201627b76bfdcc8d1.html
Заголовок, (Title) документа по адресу, URL1:
Optical music recognition - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)