Avaliação de arquiteturas convolucionais aplicadas ao reconhecimento de símbolos musicais

Abstract

Resumo: A classificação de simbolos musicais manuscritos e digitais é um problema com uma vasta complexidade, visto que uma vasta quantidade de partituras ainda não estão devidamente digitalizadas e classificadas, este trabalho visa cobrir parte desse problema de classificação, em específico de simbolos musicais manuscritos, a qual poderá servir para classificar simbolos musicais manuscritos de autores clássicos e criação de aplicativos de reconhecimento de símbolos de partituras manuscritas. Este estudo investigou o uso de redes neurais para a classificação de simbolos musicais manuscritos em partituras manuscritas. Três arquiteturas de redes neurais foram exploradas: ConvNext, DenseNet e ConvMixer. Essas arquiteturas foram aplicadas a um conjunto de dados de simbolos musicais manuscritas e avaliadas em termos de acurácia. Os resultados obtidos mostraram que a arquitetura ConvMixer alcançou uma acurácia de 98,25%, enquanto a DenseNet obteve uma acurácia de 95,26% e a ConvNext apresentou uma acurácia de 94,2%. Esses resultados destacam a eficácia das redes neurais na classificação de simbolos musicais manuscritos, contribuindo para avanços na área de reconhecimento óptico de notas musicais. Essas abordagens promissoras podem ser exploradas para melhorar a automação e precisão do reconhecimento de partituras manuscritas.__Abstract The classification of handwritten and digital musical symbols is a problem with a vast complexity, since a vast amount of scores are not yet properly digitized and classified, this work aims to cover part of this classification problem, specifically of handwritten musical symbols, which can serve to classify handwritten musical symbols of classical authors and create applications for recognizing symbols of handwritten scores. This study investigated the use of neural networks for the classification of handwritten musical symbols in manuscript scores. Three neural network architectures were explored: ConvNext, DenseNet and ConvMixer. These architectures were applied to a dataset of handwritten musical symbols and evaluated in terms of accuracy. The results obtained showed that the ConvMixer architecture achieved an accuracy of 98.25%, while DenseNet obtained an accuracy of 95.26% and ConvNext presented an accuracy of 94.2%. These results highlight the effectiveness of neural networks in classifying handwritten musical symbols, contributing to advances in the area of optical recognition of musical notes. These promising approaches can be exploited to improve the automation and accuracy of handwritten sheet music recognition.