Identificación de música por consulta de tarareo mediante IA
Enviado por Cristian Jesus • 22 de Mayo de 2022 • Ensayos • 2.902 Palabras (12 Páginas) • 103 Visitas
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA
ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS
[pic 1]
Título de la tesis
Identificación de música por consulta de tarareo mediante IA
Articulo del Estado del Arte
Autor
Cristian Jesus Quispe Quispe
Lima – Perú
2021
Contenido
1. Introducción 1
2. Materiales y Métodos 1
2. 1. Preguntas de investigación 1
2.2 Estrategia de búsqueda 2
2.3 Criterios de inclusión y exclusión 3
2.4 Selección de estudios 3
2.5 Extracción de las características del estudio 4
2.6 Riesgo de Sesgo 4
3. Resultados y discusión 5
Tablas
Tabla 1 Consulta realizado por fuentes 2
Tabla 2 Criterios de inclusión y exclusión 3
Tabla 3 Lista de artículos del estado del arte 3
Tabla 4 algoritmos usados 5
Introducción
Hoy en día, la información sobre las colecciones de música se almacena enormemente en Internet, donde la base de datos de música aumenta constantemente debido a la aparición de servicios de música como Spotify, Apple Music o SoundCloud. Un ejemplo de esto es de 20,000 a 24,000 canciones nuevas agregadas a Spotify todos los días.
Una consulta para la búsqueda de música generalmente se formula en forma textual, al incluir información sobre el compositor, intérprete, género musical, título de la canción o letra. Sin embargo, también se pueden considerar otras modalidades para acceder a colecciones de música que permitan consultas más intuitivas. Por ejemplo, para proporcionar un extracto musical como ejemplo y obtener todas las piezas que son similares en algún sentido, a saber, recuperando una pieza musical cantando o tarareando algunas de las notas de su melodía que tiene como nombre consulta por tarareo (Query by humming). Esta modalidad de consulta ofrece una gran oportunidad a usuarios que no tienen conocimientos teóricos musicales.
2. Materiales y Métodos
Al iniciar el proceso investigación, para la búsqueda de artículos del estado del arte, se definieron cuatro tipologías, las cuales son utilizadas para la organización y definición de la importancia de cada artículo.
2. 1. Preguntas de investigación
La cantidad de búsqueda musicales ha ido en aumento en los últimos años donde los usuarios buscan una manera más rápida y sencilla de cómo conseguir el título de la canción que escucharon en algún ambiente musical es por eso por lo que las consultas por tarareo se están volviendo una consulta común dentro de estos usuarios por lo cual se ha analizado el estado del arte para conocer cuáles son las mejores soluciones hasta el momento y considerarlos como guía para ofrecer una propuesta. En este proceso, se encontraron los conceptos necesarios para el entendimiento de la problemática y desarrollo de la posible solución. Así desarrollamos las siguientes preguntas:
- RQ1) ¿Cuál es la arquitectura que se utiliza en QBH?
- RQ2) ¿Cuáles son los algoritmos utilizados para QBH?
- RQ3) ¿Cuál considera que es uno de los problemas más importantes de QBH?
- RQ4) ¿Cuáles son los métodos de IA utilizados para QBH?
- RQ5) ¿Cuáles son los resultados de estos métodos basado en redes neuronales?
Estas preguntas han sido determinadas para lograr la principal contribución de este artículo, que es presentar una revisión sistemática de las consultas por tarareo (Query by humming).
2.2 Estrategia de búsqueda
En el proceso de búsqueda de artículos científicos se utilizaron dos fuentes, Scopus y Google
Scholar. En la Tabla 1 se observa las consultas que se realizaron en ambas fuentes. Se
consideraron aquellos artículos publicados del año 2013.
Tabla 1 Consulta realizado por fuentes
Fuente | Cantidad de resultados de búsqueda | Query |
Scopus | 93 | TITLE-ABS-KEY (query AND by AND humming ) AND ( LIMIT-TO ( PUBYEAR , 2021 ) AND ( LIMIT-TO ( PUBYEAR , 2020 ) OR LIMITTO ( PUBYEAR , 2019 ) OR LIMIT-TO ( PUBYEAR , 2018 ) OR LIMIT-TO ( PUBYEAR , 2017 ) OR LIMIT-TO ( PUBYEAR , 2016 ) OR LIMIT-TO ( PUBYEAR , 2015 ) OR LIMIT-TO ( PUBYEAR , 2014 ) OR LIMIT-TO ( PUBYEAR , 2013 ) ) AND ( LIMIT-TO ( DOCTYPE , "ar" ) ) |
Scopus | 5 | TITLE-ABS-KEY (“query by humming” and “neural networks”) AND ( LIMIT-TO ( PUBYEAR , 2021 ) AND ( LIMIT-TO ( PUBYEAR , 2020 ) OR LIMITTO ( PUBYEAR , 2019 ) OR LIMIT-TO ( PUBYEAR , 2018 ) OR LIMIT-TO ( PUBYEAR , 2017 ) OR LIMIT-TO ( PUBYEAR , 2016 ) OR LIMIT-TO ( PUBYEAR , 2015 ) OR LIMIT-TO ( PUBYEAR , 2014 ) OR LIMIT-TO ( PUBYEAR , 2013 ) ) AND ( LIMIT-TO ( DOCTYPE , "ar" ) ) |
Google Scholar | 4403 | Query by humming |
Además de los ya mencionados, se utilizaron criterios de selección y exclusión los cuales pueden ser observados en la Tabla 2.
2.3 Criterios de inclusión y exclusión
Se evaluaron los artículos, que fueron seleccionados para el análisis. Los documentos se analizaron para abordar los diferentes métodos relacionados con la consulta por tarareo. La selección de los artículos se expresa en la tabla2.
Tabla 2 Criterios de inclusión y exclusión
Criterio de inclusión | Criterio de Exclusión |
Artículos relacionados con el tema de investigación | Documentos que hayan sido publicados antes del 2013. |
Artículos que realicen propuestas innovadoras (que no hayan sido observados en otros artículos) al problema de QbH. | Artículos que sean de tipo Journal y Artículos que no sean de tipo Conference y pertenezcan al ranking A o A*. |
2.4 Selección de estudios
Después de aplicar los criterios de elegibilidad antes mencionados, se obtuvieron 98 artículos en scopus que fueron estudiados en detalle. En esta lista, se descartaron más artículos principalmente debido a que estaban más orientadas al análisis de los resultados obtenidos mediante consultas por tarareo. Finalmente, esta revisión sistemática analizó 10 artículos que fueron relevantes para abordar las preguntas de investigación identificadas al comienzo de esta sección.
...