ScholarGate
Assistent
Machine learningFeature extraction

Gjenkjenning av akkorder

Gjenkjenning av akkorder er oppgaven med å automatisk identifisere de harmoniske akkordene som finnes i en musikkopptak og estimere når akkordskifter forekommer. Formelt introdusert av Harte et al. (2005), er det en hjørnestein i musikk­analyse og mye brukt i musikk­pedagogikk, analyse av coverlåter og forståelse av musikalsk struktur. Moderne systemer bruker dyp læring for å klassifisere og sekvensiere akkorder i sanntid.

Åpne i MethodMindSnartApply, compare, get guidance
Tools & resources
Last ned lysbilder
Learn & explore
VideoSnart

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Metodekart

Nabolaget av beslektede metoder — velg en node for å utforske.

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

Slik siterer du denne siden

ScholarGate. (2026, June 3). Chord Recognition and Estimation Algorithm. ScholarGate. https://scholargate.app/no/music-information-retrieval/chord-recognition

Hvilken metode?

Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.

Sammenlign side om side

Referert av

ScholarGateChord Recognition (Chord Recognition and Estimation Algorithm). Hentet 2026-06-17 fra https://scholargate.app/no/music-information-retrieval/chord-recognition · Datasett: https://doi.org/10.5281/zenodo.20539026