Projektdaten

---

Beiträge zur rechnergestützten Musikwissenschaft durch semi-und unüberwachtes Lernen zur Annotaion und Segmentierung großer Musikarchive (ACMus)

---

Enorme Fortschritte in den Informations- und Kommunikationstechnologien im Laufe der letzten Jahrzehnte haben viele Forschungs- und Entwicklungsprojekte zur Digitalisierung und zum Erhalt des kulturellen Erbes angeregt und begünstigt. Hierdurch wurde die Verfügbarkeit kultureller Inhalte einerseits stark verbessert, gleichzeitig müssen jedoch neue Herausforderungen wie Langzeitzugriff auf Informationen, Nachhaltigkeit sowie der rasant ansteigende Umfang an Daten adressiert und bewältigt werden. Insbesondere für die Verwaltung des musikalischen Erbes werden automatische Verfahren zur semantischen Informationsgewinnung benötigt, welche musikalische Elemente wie Rhythmus, Harmonie, Melodie, musikalische Textur und Klangfarbe berücksichtigen . Diese Verfahren erlauben die Untersuchung sehr großer Datenbestände und haben dadurch das Potential, musikwissenschaftliche Forschung zu unterstützen und effizienter zu gestalten, z.B durch großformatige Datenverarbeitung und - visualisierungen, welche bis heute so nicht möglich sind. Das Ziel dieses Projektes ist die Entwicklung von semi- und unüberwachten Verfahren zur Musikinformationsgewinnung(Music Information Retrieval) zur automatischen Annotation von Musikarchiven. Hierbei liegt der Fokus insbesondere auf der Unterscheidung von Musik, Sprache und Gesangsstimme sowie der Erkennung der Musikinstrumentenbesetzungen des musikalischen Metrums und der Tonalität. Das Arbeitsprogram verbindet und adaptiert semi- und unüberwachte Verfahren aus den Bereichen Musikstrukturanalyse, akustische Umweltszenenklassifikation sowie bisherige Arbeiten zur Analyse von Stimmung und Intonation; Musikinstrumentenklassifikation und - parametrisierung; Sprach-Musik-Unterscheidung und Gesangsstimmenerkennung. Durch die stark interdisziplinäre Natur des Forschungsvorhabens setzt sich das Projektteam aus Forschem der Bereiche Digitale Signalverarbeitung, Maschinelles Lernen, Music Information Retrieval sowie Musik und Musikwissenschaft zusammen.