Paper year
2025
Paper dossier
Transcription automatique des performances musicales symboliques et polyphoniques
Detail viewSimilarity handoff
Review source metadata, abstract, authors, topics, and local similarity context before moving into explanation and ranking views.
Citations
0
Authors
0
Topic labels
0
Source readout
Source and corpus status
Venue
Unknown venue
Source slug
unknown
Corpus placement
Controlled edge slice
Similarity rows
Not available yet
Ranking readout
Where this paper lands in the current run
Run shadow-generalization-product-candidate-ranking-v1Top 50 surfaced
This block uses the same resolved ranking run as Recommended. Ranks here are materialized paper_scores ranks; live Emerging may be reordered by the bounded ML scorer. Family rank is global within each family, but rank is only shown when this paper lands inside the surfaced top 50.
Families present
2
Top 50
0
Run label
shadow-generalization-product-candidate-ranking-v1
Snapshot
source-snapshot-shadow-generalization-v1-20260521
Scope: family global | run rank-83787b91ef
Emerging
Present in run, outside top 50
Emerging: embedding slice fit vs included-corpus centroid (title+abstract), plus citation velocity and topic growth; not universal relevance. Bridge signal not used here.
Signals: semantic=0.8003, citation_velocity=0.0000, topic_growth=0.0000, diversity_penalty=0.0000
Why this surfaced | 3 used | 1 penalty | 1 not computed
Embedding slice fit (corpus centroid)used
Embedding slice fit (corpus centroid): high; used in final ranking (contribution to score: 0.1601)
Recent attentionused
Recent attention: low; used in final ranking (contribution to score: 0.0000)
Topic momentumused
Topic momentum: low; used in final ranking (contribution to score: 0.0000)
Cross-cluster signalnot computed
Cross-cluster signal: not computed for this run
Similarity penaltypenalty
Similarity penalty: reduces score when non-zero (contribution to score: 0.0000)
Bridge
Present in run, outside top 50
Multi-topic paper in active topics; no cluster_version on this run so bridge_score was not computed.
Signals: citation_velocity=0.0000, topic_growth=0.0000, diversity_penalty=1.0000
Why this surfaced | 2 used | 1 penalty | 2 not computed
Semantic matchnot computed
Semantic match: not computed for this run
Recent attentionused
Recent attention: low; used in final ranking (contribution to score: 0.0000)
Topic momentumused
Topic momentum: low; used in final ranking (contribution to score: 0.0000)
Cross-cluster signalnot computed
Cross-cluster signal: not computed for this run
Topic breadth penaltypenalty
Topic breadth penalty: reduces score when non-zero (contribution to score: -0.2000)
Under-cited
No materialized row for this family in the resolved run
This paper did not surface into the current materialized family row set.
Abstract
La transcription musicale est la procédure consistant à transformer une performance musicale en une partition. Transcrire manuellement un enregistrement audio en écriture musicale est cependant une tâche particulièrement chronophage et ardue. C'est ainsi que, en se basant sur les techniques de reconnaissance automatique de la parole, des techniques de transcription musicale automatique (TMA) ont été développées pour produire une partition à partir d'un enregistrement audio. Généralement, on distingue deux étapes dans la procédure de TMA : d'une part, la conversion d'un signal audio en une séquence d'événements de notes, et d'autre part, la conversion de cette séquence en une partition numérique. La première tâche est plutôt affaire de techniques de traitement du signal, dont l'objectif est d'identifier les fréquences fondamentales, c'est-à-dire les hauteurs de notes la hauteur des notes. Le résultat de cette procédure est une représentation symbolique de la performance, c'est-à-dire une représentation avec la hauteur, la date de début et la durée de chaque note, le plus souvent sous forme de fichier MIDI. D'ailleurs, pour certains instruments comme le piano ou la batterie, on peut enregistrer directement une performance jouée sur un instrument électronique directement en format MIDI. Dans cette thèse, on propose une méthode pour l'étape de transcription MIDI vers partition numérique, en MusicXML ou MEI. Dans l'objectif de créer une partition à partir d'une séquence d'événements, plusieurs questions se posent : comment représenter la structure musicale de manière abstraite ? puisque plusieurs transcriptions sont possibles, comment choisir la meilleure ? On propose d'utiliser une analyse syntaxique symbolique et pondérée (Symbolic Weighted Parsing ou sw-parsing) pour trouver la solution qui est à la fois la plus lisible possible et fidèle à la séquence d'entrée. À l'aide d'une grammar d'arbre régulière et pondérée, on obtient un arbre syntaxique qui représente la structure rythmique de l'entrée. Cet arbre syntaxique est ensuite agrémenté de davantage d'information de gravure dans une représentation abstraite d'une partition qu'on appelle modèle arborescent de partition (MAP). Celle-ci est une représentation faisant l'intermédiaire entre la séquence d'entrée et la partition finale. Le MAP contient à la fois la structure rythmique, les hauteurs de notes, les ligatures, la structure de la partition (parties, voix, mesures), etc. La structure arborescente du MAP permet, de plus, d'appliquer des modifications avec des réécritures pour, entre autres, améliorer la gravure. On propose de généraliser notre méthode de TMA pour les instruments polyphoniques, comme la guitare, le piano ou la batterie. Ces instruments ont la particularité de pouvoir jouer plusieurs notes en même temps, et donc de jouer plusieurs lignes mélodiques en parallèle. Ces lignes mélodiques, ou voix, doivent être facilement discernables dans la partition par le musicien ou la musicienne qui doit jouer la pièce. Il est donc indispensable, pour généraliser la TMA aux instruments polyphoniques, de trouver un moyen de reconnaître les différentes voix dans la performance, afin de les segmenter dans la partition. Pour ce faire, on propose un nouvel algorithme de séparation en voix basé sur algorithme de plus court chemin sur un graphe orienté et pondéré, selon les règles de conduite des voix couramment utilisées en composition.
Authors
No authors available.
Neighborhood labels
Topics
0 labels
Topic labels are imported metadata and can be noisy; use them as coarse navigation hints, not authoritative classifications.
Neighbor surface
Similar papers
Similar papers use a separately configured neighbor embedding; it may differ from the embedding version used by the current ranked run.
No embedding-backed neighbors available for this paper/version yet.
Next handoff
Best next moves from here
01
Check recommendation families
Use Recommended to see whether this paper behaves like an emerging or undercited signal in the current ranked feed, or how it appears on the bridge preview / diagnostics view.
02
Inspect nearby topics
Use Trends to understand whether its attached labels are heating up or cooling down inside the curated corpus.
03
Cross-check evaluation baselines
Use Evaluation to compare the dossier readout against citation and recency baselines for the same resolved family run.