ScholarGate
Assistent
Machine learningFeature extraction

Akkordgenkendelse

Akkordgenkendelse er opgaven med automatisk at identificere de harmoniske akkorder, der er til stede i en musikoptagelse, og estimere, hvornår akkordskift forekommer. Formelt introduceret af Harte et al. (2005) er det en hjørnesten i musikanalyse og bredt anvendt i musikundervisning, cover-sang-analyse og forståelse af musikalsk struktur. Moderne systemer anvender deep learning til at klassificere og sekventere akkorder i realtid.

Åbn i MethodMindSnartApply, compare, get guidance
Tools & resources
Hent slides
Learn & explore
VideoSnart

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Metodekort

Nabolaget af beslægtede metoder — vælg en knude for at udforske.

Kilder

  1. Harte, C., Sandler, M. B., Abdallah, S. A., & Gómez, E. (2005). Symbolic representation of musical chords: Proposed extensions to the HarmO ontology. In Proceedings of the International Society for Music Information Retrieval Conference. link
  2. MacGregor, R. D., & Wiggins, G. A. (2009). Chord recognition using duration-explicit hidden Markov models. In Proceedings of the International Society for Music Information Retrieval Conference. link
  3. Bigo, L., Buffa, A., & Roeb, M. (2017). Singing voice separation using spectral features and bidirectional long short-term memory networks. In Proceedings of the International Society for Music Information Retrieval Conference. link

Sådan citerer du denne side

ScholarGate. (2026, June 3). Chord Recognition and Estimation Algorithm. ScholarGate. https://scholargate.app/da/music-information-retrieval/chord-recognition

Hvilken metode?

Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.

Sammenlign side om side

Refereret af

ScholarGateChord Recognition (Chord Recognition and Estimation Algorithm). Hentet 2026-06-17 fra https://scholargate.app/da/music-information-retrieval/chord-recognition · Datasæt: https://doi.org/10.5281/zenodo.20539026