Оптическое распознавание музыки
Компьютерное распознавание нотной записи

Оптическое распознавание музыки ( OMR ) — это область исследований, которая изучает, как вычислительно читать нотные записи в документах. [1] Цель OMR — научить компьютер читать и интерпретировать ноты и создавать машиночитаемую версию написанной музыкальной партитуры. После оцифровки музыка может быть сохранена в общепринятых форматах файлов, например, MIDI (для воспроизведения) и MusicXML (для макета страницы). В прошлом это также ошибочно называлось « оптическим распознаванием музыкальных символов ». Из-за существенных различий этот термин больше не следует использовать. [2]

История

Впервые опубликовано цифровое сканирование музыкальных партитур Дэвидом Преро в 1971 году.

Оптическое распознавание музыки в печатных нотах началось в конце 1960-х годов в Массачусетском технологическом институте , когда первые сканеры изображений стали доступны для научно-исследовательских институтов. [3] [4] [5] Из-за ограниченной памяти первых компьютеров первые попытки были ограничены лишь несколькими музыкальными тактами. В 1984 году японская исследовательская группа из Университета Васэда разработала специализированного робота под названием WABOT (WAseda roBOT), который был способен читать ноты перед собой и аккомпанировать певцу на электрическом органе . [6] [7]

Ранние исследования OMR были проведены Ичиро Фудзинагой, Николасом Картером, Киа Нг, Дэвидом Бейнбриджем и Тимом Беллом. Эти исследователи разработали многие из методов, которые используются и сегодня.

Первое коммерческое приложение OMR, MIDISCAN (теперь SmartScore ), было выпущено в 1991 году корпорацией Musitek.

Появление смартфонов с хорошими камерами и достаточной вычислительной мощностью открыло путь к мобильным решениям, где пользователь делает снимок с помощью смартфона, а устройство сразу обрабатывает изображение.

Связь с другими полями

Связь оптического распознавания музыки с другими областями исследований

Оптическое распознавание музыки относится к другим областям исследований, включая компьютерное зрение , анализ документов и поиск музыкальной информации . Это актуально для практикующих музыкантов и композиторов, которые могли бы использовать системы OMR как средство ввода музыки в компьютер и, таким образом, облегчить процесс сочинения , транскрипции и редактирования музыки. В библиотеке система OMR могла бы сделать музыкальные партитуры доступными для поиска [8] , а для музыковедов она позволила бы проводить количественные музыковедческие исследования в масштабе. [9]

OMR против OCR

Оптическое распознавание музыки часто сравнивают с оптическим распознаванием символов. [2] [10] [11] Самое большое отличие заключается в том, что нотная запись — это система письма с определенными признаками. Это означает, что хотя алфавит состоит из четко определенных примитивов (например, нотных нот, головок нот или флагов), их конфигурация — то, как они размещены и организованы на нотном стане — определяет семантику и то, как ее следует интерпретировать.

Второе важное отличие заключается в том, что в то время как система OCR не выходит за рамки распознавания букв и слов, система OMR должна также восстанавливать семантику музыки: пользователь ожидает, что вертикальное положение ноты (графическое понятие) переводится в высоту (музыкальное понятие) путем применения правил нотной записи. Обратите внимание, что в распознавании текста нет надлежащего эквивалента. По аналогии, восстановление музыки из изображения нотного листа может быть столь же сложным, как восстановление исходного кода HTML из скриншота веб -сайта .

Третье отличие связано с используемым набором символов. Хотя системы письма, такие как китайский, имеют чрезвычайно сложные наборы символов, набор символов примитивов для OMR охватывает гораздо больший диапазон размеров, начиная от крошечных элементов, таких как точка, до больших элементов, которые потенциально охватывают целую страницу, таких как скобка. Некоторые символы имеют почти неограниченный вид, например, слур, которые определяются только как более или менее плавные кривые, которые могут прерываться в любом месте.

Наконец, нотная запись подразумевает повсеместные двумерные пространственные отношения, в то время как текст можно читать как одномерный поток информации, как только установлена ​​базовая линия.

Подходы к OMR

Отрывок из Ноктюрна соч. 15 , № 2 Фредерика Шопена – проблемы, возникающие при оптическом распознавании музыки

Процесс распознавания музыкальных партитур обычно разбивается на более мелкие этапы, которые обрабатываются с помощью специализированных алгоритмов распознавания образов .

Было предложено много конкурирующих подходов, большинство из которых разделяют архитектуру конвейера, где каждый шаг в этом конвейере выполняет определенную операцию, например, обнаружение и удаление линий нотного стана перед переходом к следующему этапу. Распространенной проблемой этого подхода является то, что ошибки и артефакты, которые были сделаны на одном этапе, распространяются по всей системе и могут сильно повлиять на производительность. Например, если этап обнаружения линий нотного стана не может правильно определить существование нотного стана, последующие шаги, вероятно, проигнорируют эту область изображения, что приведет к отсутствию информации в выходных данных.

Оптическое распознавание музыки часто недооценивается из-за кажущейся простоты проблемы: если предоставить идеальное сканирование набранной музыки, визуальное распознавание можно решить с помощью последовательности довольно простых алгоритмов, таких как проекции и сопоставление шаблонов. Однако процесс значительно усложняется для плохих сканов или рукописной музыки, которую многие системы вообще не распознают. И даже если бы все символы были обнаружены идеально, все равно сложно восстановить музыкальную семантику из-за неоднозначностей и частых нарушений правил нотной записи (см. пример Ноктюрна Шопена). Дональд Берд и Якоб Симонсен утверждают, что OMR сложен, потому что современная нотная запись чрезвычайно сложна. [11]

Дональд Берд также собрал ряд интересных примеров [12], а также экстремальных примеров [13] нотной записи, которые демонстрируют всю сложность нотной записи.

Результаты работы систем OMR

Типичные приложения для систем OMR включают создание слышимой версии музыкальной партитуры (называемой возможностью воспроизведения). Распространенный способ создания такой версии — создание файла MIDI , который может быть синтезирован в аудиофайл. Однако файлы MIDI не способны хранить информацию о гравировке (как были расположены ноты) или энгармоническое написание.

Если партитуры распознаются с целью обеспечения возможности их прочтения человеком (что называется возможностью перепечатки), необходимо восстановить структурированную кодировку, которая включает точную информацию о макете и гравировке. Подходящие форматы для хранения этой информации включают MEI и MusicXML .

Помимо этих двух приложений, может быть также интересно просто извлечь метаданные из изображения или включить поиск. В отличие от первых двух приложений, для выполнения этих задач может быть достаточно более низкого уровня понимания музыкальной партитуры.

Общая структура (2001)

Архитектура оптического распознавания музыки Бейнбриджа и Белла (2001)

В 2001 году Дэвид Бейнбридж и Тим Белл опубликовали свою работу о проблемах OMR, в которой они рассмотрели предыдущие исследования и извлекли общую структуру для OMR. [10] Их структура использовалась многими системами, разработанными после 2001 года. Структура имеет четыре отдельных этапа с сильным акцентом на визуальное обнаружение объектов. Они заметили, что реконструкция музыкальной семантики часто опускалась в опубликованных статьях, поскольку используемые операции были специфичны для выходного формата.

Усовершенствованная структура (2012)

Общая структура оптического распознавания музыки, предложенная Аной Ребело и др. в 2012 году

В 2012 году Ана Ребело и др. провели обзор методов оптического распознавания музыки. [14] Они классифицировали опубликованные исследования и уточнили конвейер OMR, разделив его на четыре этапа: предварительная обработка, распознавание музыкальных символов, реконструкция музыкальной нотации и построение окончательного представления. Эта структура стала фактическим стандартом для OMR и используется до сих пор (хотя иногда с немного другой терминологией). Для каждого блока они дают обзор методов, которые используются для решения этой проблемы. Эта публикация является самой цитируемой статьей по исследованию OMR по состоянию на 2019 год.

Глубокое обучение (с 2016 г.)

С появлением глубокого обучения многие проблемы компьютерного зрения перешли от императивного программирования с вручную созданными эвристиками и разработкой признаков к машинному обучению. В оптическом распознавании музыки, на этапе обработки персонала, [15] [16] на этапе обнаружения музыкальных объектов, [17] [18] [19] [20] а также на этапе реконструкции нотной записи [21] были успешные попытки решить их с помощью глубокого обучения.

Были предложены даже совершенно новые подходы, включая решение OMR сквозным способом с использованием моделей последовательность-к-последовательности, которые берут изображение музыкальных партитур и напрямую воспроизводят распознанную музыку в упрощенном формате. [22] [23] [24] [25]

Известные научные проекты

Проблема увольнения персонала

Для систем, разработанных до 2016 года, обнаружение и удаление персонала представляло собой существенное препятствие. Был организован научный конкурс для улучшения состояния техники и продвижения области. [26] Из-за превосходных результатов и современных методов, которые сделали этап удаления персонала устаревшим, этот конкурс был прекращен.

Однако свободно доступный набор данных CVC-MUSCIMA, разработанный для этой задачи, по-прежнему весьма актуален для исследования OMR, поскольку содержит 1000 высококачественных изображений рукописных музыкальных партитур, транскрибированных 50 разными музыкантами. Он был дополнительно расширен до набора данных MUSCIMA++, который содержит подробные аннотации для 140 из 1000 страниц.

СИМСССА

Проект Single Interface for Music Score Searching and Analysis (SIMSSA) [27] — это, вероятно, крупнейший проект, который пытается научить компьютеры распознавать музыкальные партитуры и сделать их доступными. Несколько подпроектов уже успешно завершены, включая Liber Usualis [28] и Cantus Ultimus. [29]

ТРОМПА

На пути к более богатым онлайн-архивам музыки в открытом доступе (TROMPA) — это международный исследовательский проект, спонсируемый Европейским Союзом, который изучает, как сделать общедоступные цифровые музыкальные ресурсы более доступными. [30]

Наборы данных

Разработка систем OMR выигрывает от тестовых наборов данных достаточного размера и разнообразия, чтобы гарантировать, что разрабатываемая система работает в различных условиях. Однако по юридическим причинам и из-за возможных нарушений авторских прав сложно составить и опубликовать такой набор данных. Наиболее значимые наборы данных для OMR упоминаются и суммируются в проекте OMR Datasets [31] и включают наборы данных CVC-MUSCIMA, [32] MUSCIMA++, [33] DeepScores, [34] PrIMuS, [35] HOMUS, [36] и SEILS, [37] , а также Universal Music Symbol Collection. [38]

Французская компания Newzik применила другой подход в разработке своей OMR-технологии Maestria, [39] используя случайную генерацию баллов. Использование синтетических данных помогло избежать проблем с авторскими правами и обучить алгоритмы искусственного интеллекта на музыкальных случаях, которые редко встречаются в реальном репертуаре, что в конечном итоге привело (согласно заявлениям компании) к более точному распознаванию музыки. [40]

Программное обеспечение

Академическое и открытое программное обеспечение

Проекты OMR с открытым исходным кодом значительно различаются: от хорошо разработанного программного обеспечения, такого как Audiveris , до многих проектов, которые были реализованы в академических кругах, но только некоторые из них достигли зрелого состояния и были успешно развернуты для пользователей. Эти системы включают:

  • Аруспикс [41]
  • Аудиверис [42]
  • КАНТОР [43]
  • Набор инструментов MusicStaves для Gamera [44]
  • ДМОС [45]
  • Оемер [46]
  • OpenOMR [47]
  • Родан [48]

Коммерческое программное обеспечение

Большинство коммерческих настольных приложений, разработанных за последние 20 лет, были снова закрыты из-за отсутствия коммерческого успеха, оставив лишь несколько поставщиков, которые все еще разрабатывают, поддерживают и продают продукты OMR. Некоторые из этих продуктов заявляют о чрезвычайно высоких показателях распознавания с точностью до 100% [49] [50], но не раскрывают, как были получены эти цифры, что делает практически невозможным их проверку и сравнение различных систем OMR.

  • капелла-сканирование [51]
  • FORTE от Forte Notation [52]
  • Сканирование MIDI-соединений с помощью систем сочинения и аранжировки [53]
  • NoteScan в комплекте с Nightingale [54]
  • Мириад САРЛ
    • Дополнение OMeR (Optical Music easy Reader) для Harmony Assistant и Melody Assistant: Myriad Software [55]
    • PDFtoMusic Pro [56]
  • PhotoScore от Neuratron [50] Облегченная версия PhotoScore используется в Sibelius ; PhotoScore использует SharpEye SDK
  • Scorscan от npcImaging [57]
  • SmartScore от Musitek. [58] Ранее выпускался под названием «MIDISCAN». (SmartScore Lite использовался в предыдущих версиях Finale ).
  • ScanScore [59] (Также в комплекте с Forte Notation .) [52]
  • Импортер PDF/изображений Soundslice. [60] Система OMR на основе ИИ выпущена в бета-версии в сентябре 2022 года. [61]
  • Maestria от Newzik. [39] Выпущенная в мае 2021 года, Maestria является примером технологии OMR нового поколения, основанной на глубоком обучении. Компания утверждает, что она не только дает лучшие результаты, но и означает, что «становится точнее с каждым преобразованием». [62]

Мобильные приложения

Улучшенные камеры и увеличение вычислительной мощности позволили создать ряд мобильных приложений, как в Google Play Store, так и в Apple Store. Часто акцент делается на игре с листа (см. чтение с листа ) – преобразовании нот в звук, который воспроизводится на устройстве.

  • iSeeNotes от Gear Up AB [63]
  • NotateMe Now от Neuratron [64]
  • Сканер нотации от Song Zhang [65]
  • PlayScore 2 от Organum Ltd [66]
  • SmartScore NoteReader от Musitek [67]
  • Приложение Newzik [68]

Смотрите также

  • Поиск музыкальной информации (MIR) — это более широкая проблема извлечения музыкальной информации из носителей, включая музыкальные партитуры и аудиозаписи.
  • Оптическое распознавание символов (OCR) — это распознавание текста, которое может быть применено для поиска документов , аналогично OMR и MIR. Однако полная система OMR должна точно представлять текст, который присутствует в музыкальных партитурах, поэтому OMR фактически является надмножеством OCR. [10]

Ссылки

  1. ^ Pacha, Alexander (2019). Самообучающееся оптическое распознавание музыки (PhD). TU Wien, Австрия. doi : 10.13140/RG.2.2.18467.40484.
  2. ^ ab Кальво-Сарагоса, Хорхе; Хаджич, Ян мл.; Пача, Александр (2020). «Понимание оптического распознавания музыки». ACM Computing Surveys . 53 (4): 1– 35. arXiv : 1908.03608 . doi : 10.1145/3397499. S2CID  199543265.
  3. ^ Оптическое распознавание музыки для чайников - Часть 2 - Введение и история. youtube.com . YouTube . 3 октября 2018 г. Архивировано из оригинала 21 декабря 2021 г. Получено 24 июня 2021 г.
  4. ^ Pruslin, Dennis Howard (1966). Автоматическое распознавание нот (PhD). Массачусетский технологический институт, Кембридж, Массачусетс, США.
  5. ^ Прерау, Дэвид С. (1971). Компьютерное распознавание образов печатных нот . Fall Joint Computer Conference. С.  153–162 .
  6. ^ "WABOT – WAseda roBOT". waseda.ac.jp . Гуманоид Университета Васэда . Получено 14 июля 2019 г. .
  7. ^ "Wabot 2". IEEE . IEEE . Получено 14 июля 2019 г. .
  8. ^ Лапланте, Одри; Фудзинага, Ичиро (2016). Оцифровка музыкальных партитур: проблемы и возможности для библиотек . 3-й международный семинар по цифровым библиотекам для музыковедения. С.  45–48 .
  9. ^ Хаич, Ян мл.; Коларова, Марта; Пача, Александр; Кальво-Сарагоса, Хорхе (2018). Как современные оптические системы распознавания музыки становятся полезными для цифровых библиотек . 5-я Международная конференция по цифровым библиотекам для музыковедения. Париж, Франция. С.  57–61 .
  10. ^ abc Бейнбридж, Дэвид; Белл, Тим (2001). «Проблема оптического распознавания музыки». Компьютеры и гуманитарные науки . 35 (2): 95– 121. doi :10.1023/A:1002485918032. S2CID  18602074. Получено 23 февраля 2017 г.
  11. ^ ab Берд, Дональд; Симонсен, Якоб Грю (2015). «На пути к стандартному испытательному стенду для оптического распознавания музыки: определения, метрики и изображения страниц». Журнал новых музыкальных исследований . 44 (3): 169– 195. doi :10.1080/09298215.2015.1045424.
  12. ^ Берд, Дональд (ноябрь 2017 г.). «Галерея интересных нотных записей». indiana.edu . Получено 14 июля 2019 г. .
  13. ^ Берд, Дональд (октябрь 2018 г.). «Крайности традиционной музыкальной нотации». indiana.edu . Получено 14 июля 2019 г. .
  14. ^ Ребело, Ана; Фудзинага, Ичиро; Пашкевич, Филипе; Марсаль, Андре РС; Гедес, Карлос; Кардосо, Джейми душ Сантос (2012). «Оптическое распознавание музыки: современное состояние и открытые проблемы» (PDF) . Международный журнал поиска мультимедийной информации . 1 (3): 173–190 . doi : 10.1007/s13735-012-0004-6. S2CID  12964479 . Проверено 15 июля 2019 г.
  15. ^ Гальего, Антонио-Хавьер; Кальво-Сарагоса, Хорхе (2017). «Удаление кадровых линий с помощью выборочных автокодировщиков». Экспертные системы с приложениями . 89 : 138– 148. doi : 10.1016/j.eswa.2017.07.002. hdl : 10045/68971 .
  16. ^ Кастелланос, Франсиско Х.; Кальво-Сарагоса, Хорхе; Вильенсони, Габриэль; Фудзинага, Ичиро (2018). Анализ документов изображений музыкальных партитур с помощью селективных автокодировщиков (PDF) . 19-я Международная конференция общества поиска музыкальной информации. Париж, Франция. стр.  256–263 . Получено 15 июля 2019 г.
  17. ^ Туггенер, Лукас; Элези , Исмаил; Шмидхубер, Юрген; Штадельманн, Тило (2018). Deep Watershed Detector for Music Object Recognition (PDF) . 19-я Международная конференция общества поиска музыкальной информации. Париж, Франция. С.  271–278 . Получено 15 июля 2019 г.
  18. ^ Хаич, Ян мл.; Дорфер, Маттиас; Видмер, Герхард; Печина, Павел (2018). На пути к полноконвейерному рукописному OMR с обнаружением музыкальных символов с помощью U-Nets (PDF) . 19 - я Международная конференция общества по поиску музыкальной информации. Париж, Франция. стр.  225–232 . Получено 15 июля 2019 г.
  19. ^ Пача, Александр; Хаджич, Ян мл.; Кальво-Сарагоса, Хорхе (2018). «Базовый уровень для общего обнаружения музыкальных объектов с помощью глубокого обучения». Прикладные науки . 8 (9): 1488– 1508. doi : 10.3390/app8091488 . hdl : 20.500.12708/20052 .
  20. ^ Pacha, Alexander; Choi, Kwon-Young; Coüasnon, Bertrand; Ricquebourg, Yann; Zanibbi, Richard; Eidenberger, Horst (2018). Handwritten Music Object Detection: Open Issues and Baseline Results (PDF) . 13th International Workshop on Document Analysis Systems. pp.  163–168 . doi :10.1109/DAS.2018.51 . Получено 2 сентября 2019 г.
  21. ^ Пача, Александр; Кальво-Сарагоса, Хорхе; Хаджич, Ян мл. (2019). Обучение построению графа нотации для полноконвейерного оптического распознавания музыки (PDF) . 20-я конференция Международного общества по поиску музыкальной информации . Получено 2 июля 2023 г.
  22. ^ Ван дер Вель, Элко; Ульрих, Карен (2017). Оптическое распознавание музыки с помощью сверточных моделей последовательностей (PDF) . 18-я Международная конференция общества поиска музыкальной информации. Сучжоу, Китай.
  23. ^ Кальво-Сарагоса, Хорхе; Ризо, Дэвид (2018). «Сквозное нейронно-оптическое распознавание музыки в монофонических партитурах». Прикладные науки . 8 (4): 606. doi : 10.3390/app8040606 . hdl : 10251/143793 .
  24. ^ Баро, Арнау; Риба, Пау; Кальво-Сарагоса, Хорхе; Форнес, Алисия (2017). Оптическое распознавание музыки с помощью рекуррентных нейронных сетей . 14-я Международная конференция по анализу и распознаванию документов. стр.  25–26 . doi :10.1109/ICDAR.2017.260.
  25. ^ Баро, Арнау; Риба, Пау; Кальво-Сарагоса, Хорхе; Форнес, Алисия (2019). «От оптического распознавания музыки к распознаванию рукописной музыки: основа». Буквы для распознавания образов . 123 : 1– 8. Бибкод : 2019PaReL.123....1Б. doi :10.1016/j.patrec.2019.02.029. hdl : 10045/89708 . S2CID  127170982.
  26. ^ Форнес, Алисия; Дутта, Анджан; Гордо, Альберт; Льядос, Хосеп (2013). «Конкурсы музыкальных партитур 2012 года: отстранение персонала и идентификация авторов». В Young-Bin Kwon; Jean-Marc Ogier (ред.). Распознавание графики. Новые тенденции и проблемы . Конспект лекций по информатике. Том 7423. Springer. С.  173– 186. doi :10.1007/978-3-642-36824-0_17. ISBN 978-3-642-36823-3.
  27. ^ «Проект единого интерфейса для поиска и анализа музыкальных партитур». simssa.ca . Университет Макгилла . Получено 14 июля 2019 г. .
  28. ^ "Search the Liber Usualis". liber.simssa.ca . Университет Макгилла . Получено 14 июля 2019 г. .
  29. ^ "Cantus Ultimus". cantus.simssa.ca . Университет Макгилла . Получено 14 июля 2019 г. .
  30. ^ "Towards Richer Online Music Public-domain Archives". trompamusic.eu . Получено 14 июля 2019 г. .
  31. ^ Пача, Александр. «Наборы данных оптического распознавания музыки». github.io . Получено 14 июля 2019 г. .
  32. ^ Форнес, Алисия; Дутта, Анджан; Гордо, Альберт; Льядос, Хосеп (2012). «CVC-MUSCIMA: истина в области рукописных изображений музыкальных партитур для идентификации авторов и удаления персонала». Международный журнал по анализу и распознаванию документов . 15 (3): 243– 251. doi :10.1007/s10032-011-0168-2. S2CID  17946417.
  33. ^ Хаджич, Ян мл.; Печина, Павел (2017). Набор данных MUSCIMA++ для оптического распознавания рукописной музыки . 14-я Международная конференция по анализу и распознаванию документов. Киото, Япония. С.  39–46 . doi :10.1109/ICDAR.2017.16.
  34. ^ Таггенер, Лукас; Элези, Исмаил; Шмидхубер, Юрген; Пелильо, Марчелло; Стадельманн, Тило (2018). DeepScores — набор данных для сегментации, обнаружения и классификации крошечных объектов . 24-я Международная конференция по распознаванию образов. Пекин, Китай. дои : 10.21256/zhaw-4255.
  35. ^ Кальво-Сарагоса, Хорхе; Ризо, Дэвид (2018). Camera-PrIMuS: Neural End-to-End Optical Music Recognition on Realistic Monophonic Scores (PDF) . 19 - я Международная конференция общества поиска музыкальной информации. Париж, Франция. стр.  248–255 . Получено 15 июля 2019 г. .
  36. ^ Кальво-Сарагоса, Хорхе; Онсина, Хосе (2014). Распознавание нотной записи пером: набор данных HOMUS . 22-я Международная конференция по распознаванию образов. стр.  3038–3043 . doi :10.1109/ICPR.2014.524.
  37. ^ Parada-Cabaleiro, Emilia; Batliner, Anton; Baird, Alice; Schuller, Björn (2017). Набор данных SEILS: символически закодированные партитуры в современной ранней нотации для вычислительного музыковедения (PDF) . 18-я Международная конференция общества по поиску музыкальной информации. Сучжоу, Китай. стр.  575–581 . Получено 12 августа 2020 г.
  38. ^ Пача, Александр; Эйденбергер, Хорст (2017). На пути к универсальному классификатору музыкальных символов . 14-я Международная конференция по анализу и распознаванию документов. Киото, Япония. С.  35–36 . doi :10.1109/ICDAR.2017.265.
  39. ^ ab "Maestria". newzik.com . Newzik . Получено 24 июня 2021 г. .
  40. ^ Apprendre le Solfege à des Algorithes с Мари Шюпо, игра в искусственный интеллект. youtube.com (на французском языке). Ютуб . 21 июня 2021 года. Архивировано из оригинала 21 декабря 2021 года . Проверено 24 июня 2021 г.
  41. ^ "Aruspix". aruspix.net . Получено 15 июля 2019 г. .
  42. ^ "Audiveris". github.com . Получено 15 июля 2019 г. .
  43. ^ "David Bainbridge (Home Page)". waikato.ac.nz . Получено 15 июля 2019 г. .
  44. ^ "Gamera Addon: MusicStaves Toolkit". hsnr.de . Получено 15 июля 2019 г. .
  45. ^ Coüasnon, Bertrand (2001). DMOS: универсальный метод распознавания документов, применение к автоматическому генератору музыкальных партитур, математических формул и систем распознавания табличных структур . Шестая международная конференция по анализу и распознаванию документов. С.  215–220 . doi :10.1109/ICDAR.2001.953786.
  46. ^ "oemer: Система сквозного оптического распознавания музыки (OMR)". github.com . Получено 21 сентября 2023 г. .
  47. ^ "OpenOMR". sourceforge.net . 10 апреля 2013 г. . Получено 26 января 2017 г. .
  48. ^ "Rodan". github.com . Получено 15 июля 2019 г. .
  49. ^ "Восьмая пауза или пятно". capella-software.com . capella-software AG . Получено 15 июля 2019 г. .
  50. ^ ab "PhotoScore & NotateMe Ultimate". neuratron.com . Neuratron . Получено 24 июня 2021 г. .
  51. ^ "capella-scan". capella-software.com . capella-software AG . Получено 24 июня 2021 г. .
  52. ^ ab "FORTE 12 Premium Edition". fortenotation.com . Forte Notation . Получено 24 июня 2021 г. .
  53. ^ "MIDI-Connections SCAN 2.1". midi-connections.com . Системы сочинения и аранжировки . Получено 24 июня 2021 г. .
  54. ^ "Соловей". ngale.com . Adept Music Notation Solutions. 11 января 2008 г. Получено 30 марта 2021 г.
  55. ^ "OMeR". myriad-online.com . Myriad SARL . Получено 6 октября 2013 г. .
  56. ^ "PDFtoMusic Pro". myriad-online.com . Myriad SARL . Получено 13 ноября 2015 г. .
  57. ^ "Информация о ScorScan". npcimaging.com . NPC Imaging . Получено 6 октября 2013 г. .
  58. ^ "SmartScore". musitek.com . Musitek . Получено 24 июня 2021 г. .
  59. ^ "ScanScore". scan-score.com . SCANSCORE . Получено 24 ноября 2019 г. .
  60. ^ "Soundslice sheet music scanner". soundslice.com . Soundslice . Получено 17 декабря 2022 г. .
  61. ^ "Soundslice PDF и сканирование фотографий (бета)". soundslice.com . Soundslice . Получено 17 декабря 2022 г. .
  62. ^ Ротман, Филип (26 мая 2021 г.). «Newzik представляет интерактивные LiveScores с Maestria, оптическое распознавание музыки на основе ИИ». scoringnotes.com . Примечание к подсчету очков . Получено 24 июня 2021 г. .
  63. ^ "iSeeNotes". iseenotes.com . Geer Up AB . Получено 24 июня 2021 г. .
  64. ^ "NotateMe". neuratron.com . Neuratron . Получено 24 июня 2021 г. .
  65. ^ "Notation Scanner". apps.apple.com . Apple Inc. 23 марта 2020 г. Получено 24 июня 2021 г.
  66. ^ "PlayScore 2" . playscore.co . PlayScore . Проверено 24 июня 2021 г.
  67. ^ "SmartScore NoteReader". play.google.com . Получено 24 июня 2021 г. .
  68. ^ "Newzik app". newzik.com . Newzik . Получено 24 июня 2021 г. .
  • Запись обучающего курса ISMIR 2018 «Оптическое распознавание музыки для чайников»
  • Оптическое распознавание музыки (OMR): программы и научные статьи
  • Системы OMR (оптического распознавания музыки): Полная таблица OMR (последнее обновление: 30 января 2007 г.).

Медиа, связанные с оптическим распознаванием музыки на Wikimedia Commons

Взято с "https://en.wikipedia.org/w/index.php?title=Оптическое_распознавание_музыки&oldid=1253239279"