Dissertação

{en_GB=Automatically Generating Novel and Epic Music Tracks; Exploring Computational Creativity using Deep Structures against Music } {} EVALUATED

{pt=A Criatividade Computacional é uma área aplicada que estuda algoritmos que permitem compreender a criatividade ou que desempenham tarefas usualmente consideradas criativas. Entre estes modelos encontram-se alguns modelos de Deep Learning, nomeadamente as Restricted Boltzmann Machines e as Generative Adversarial Networks, também vastamente estudados fora da área de Criatividade Computacional. Também dentro desta área podemos distinguir diferentes áreas de aplicação, como a música ou as artes visuais. Com o propósito de explorar a capacidade destes modelos trabalharem com dinâmicas musicais, este trabalho pretende focar-se na aplicação de modelos neuronais à tarefa de geração de música multitrack épica, seguindo uma abordagem geral e uma visão concordante com a área da Criatividade Computacional. Três modelos foram desenvolvidos, adaptados e posteriormente comparados: o HRBMM, o MuseGAN e o MuCyG. Depois de conduzir um questionário e de analisar os resultados obtidos, concluímos que nenhum destes modelos obteve avaliações consistentemente melhores que os outros. Os resultados também indicam que a metodologia usada conduziu a problemas de mode collapsing e que os produtos gerados não foram capazes de afetar o ouvinte da mesma forma que excertos épicos compostos por humanos., en=Computational Creativity is an applied field of study focused on algorithms that allow a better understanding of the creativity processes or simply perform some task usually considered creative. Among these models we can find some Deep Learning models, such as the Restricted Boltzmann Machines and the Generative Adversarial Networks, also widely studied outside of Computational Creativity scope. In addition, we can distinguish different application areas within Computational Creativity, such as music or visual arts. With the purpose of exploring the capability of these models to work with music dynamics, this work focuses on the application of neural models for multitrack epic music generation, trying to follow a general approach and a complying vision with the field of Computational Creativity. Three different models were developed, adapted and compared: the HRBMM, the MuseGAN and the MuCyG. After conducting a survey, and analyzing the final results obtained, we conclude that none of the computational models consistently outperformed the other ones. The results also point out that the methodology used led to problems of mode collapsing and possibly prevented the models to produce products capable of causing a similar effect that epic human composed samples are capable of.}
{pt=Música, Redes Neuronais, Criatividade, Épico, Modelos Gerativos, en=Music, Deep Learning, Creativity, Epic, Generative Models}

Junho 4, 2019, 10:30

Orientação

ORIENTADOR

Helena Sofia Andrade Nunes Pereira Pinto

Departamento de Engenharia Informática (DEI)

Professor Auxiliar

ORIENTADOR

David Manuel Martins de Matos

Departamento de Engenharia Informática (DEI)

Professor Auxiliar