Önceden eğitilmiş modellerle müzik duygularının sınıflandırılması

Müzik tüm sanatların içinde en duygusal olanıdır ve bu nedenle de insanlara en yakın olan ve en sevilenidir. Duygular düşünme, davranış ve karar verme biçimlerimizi etkileyen, insan yaşamının merkezi bir parçasıdır. Temel duygularımızı mutluluk, üzüntü, korku, öfke, şaşkınlık ve iğrenme olmak üzere altı tür olarak sınıflandıran Paul Ekman da dahil olmak üzere pek çok bilim insanı duygular üzerinde araştırmalar yapmıştır. Bu sınıflandırma, duyguların davranışlarımızı ve günlük etkileşimlerimizi nasıl etkilediğini anlamamız açısından yardımcı olmaktadır. Duygu analizi sağlık, eğitim, iş, pazarlama, teknoloji ve daha birçok alanda faydalı olabilir. Aşağıdakiler de dahil olmak üzere çeşitli uygulamalar duygu çıkarımını ve analizini kolaylaştırır: • Metin Analizi: Doğal Dil İşleme (NLP) duygu çıkarımı yapmak için yazılı metinleri analiz eder. • Ses Analizi: Beyond Verbal ve Affectiva gibi uygulamalar, duyguları çıkarmak için ses tonunu analiz eder, bu da müşteri hizmetleri merkezlerinde yararlıdır. • Görüntü ve Video Analizi: Bilgisayarla Görüntüleme teknikleri, görüntü ve videolardan duyguları tespit etmek için yüz ifadelerini analiz eder. Müzik, melodileri, ritimleri ve tonları ile çok çeşitli duyguları tetikleyerek insan duygularını harekete geçirme ve ifade etme konusunda özel bir yere sahiptir. Müzikal duyguların analizi, araştırmacıların farklı müzikal unsurların dinleyicilerin duygularını nasıl etkilediğini anlamaya çalıştıkları ve giderek büyümekte olan bir araştırma alanıdır., Araştırmam, derin öğrenmeyi kullanarak müziksel duyguları sınıflandırmaya odaklanmaktadır. Öne sürdüğüm düşünceyi gerçekleştirmek için iki ses veri kümesini spektrogram görüntülerine dönüştürdükten sonra ResNet-50, DenseNet-121 ve Inception-v3 gibi ön-eğitime sahip bazı modelleri bu görüntülerin üzerinde geliştirdim. Ses veri kümeleri on saniyelik bölümlere ayrıldı ve iki çeşit spektrogram dönüşümü kullanıldı: klasik spektrogram ve Mel spektrogramı. Sonuçlar, her iki veri kümesinde de ResNet50 modelinin en yüksek performansı elde ettiğini, ancak DenseNet121'in ikinci veri kümesinde veri dengeleme tekniklerinden birini kullanarak Mel spektrogramı ile daha yüksek bir doğruluğa sahip olduğunu, ancak yine de ResNet-50 modelinin performansının çıkarım ve genelleme görevi açısından daha yüksek olduğunu göstermiştir. ResNet-50 aynı zamanda ilk veri kümesinde de en yüksek doğruluğu elde etmiştir. Bu araştırma, derin öğrenme tekniklerinin müzikal duyguları analiz etmek ve sınıflandırmak için nasıl kullanılabileceğine dair bir fikir sağlayarak müzik ve duyguların daha iyi anlaşılmasına katkıda bulunmaktadır.