Hispanopedia Wiki
Articulo de referencia

Reconocimiento óptico de música

El reconocimiento óptico de música ( ROM ) es un campo de investigación que estudia cómo leer computacionalmente la notación musical en documentos. [ 1 ] El objetivo del ROM es ...

Hispanopedia WikiContenido en espanolLectura gratuita

El reconocimiento óptico de música ( ROM ) es un campo de investigación que estudia cómo leer computacionalmente la notación musical en documentos. [ 1 ] El objetivo del ROM es enseñar a la computadora a leer e interpretar partituras y producir una versión legible por máquina de la partitura musical escrita. Una vez capturada digitalmente, la música se puede guardar en formatos de archivo de uso común, por ejemplo, MIDI (para reproducción) y MusicXML (para maquetación). En el pasado, también se le ha llamado erróneamente " reconocimiento óptico de caracteres musicales ". Debido a diferencias significativas, este término ya no debería utilizarse. [ 2 ]

Historia

Primera publicación digital de partituras musicales de David Prerau en 1971.

El reconocimiento óptico de partituras impresas comenzó a finales de la década de 1960 en el Instituto Tecnológico de Massachusetts (MIT), cuando los primeros escáneres de imágenes se volvieron asequibles para los institutos de investigación. [ 3 ] [ 4 ] [ 5 ] Debido a la memoria limitada de las primeras computadoras, los primeros intentos se limitaron a solo unos pocos compases de música. En 1984, un grupo de investigación japonés de la Universidad de Waseda desarrolló un robot especializado, llamado WABOT (WAseda roBOT), que era capaz de leer la partitura frente a él y acompañar a un cantante con un órgano eléctrico . [ 6 ] [ 7 ]

Las primeras investigaciones en OMR fueron realizadas por Ichiro Fujinaga, Nicholas Carter, Kia Ng, David Bainbridge y Tim Bell. Estos investigadores desarrollaron muchas de las técnicas que todavía se utilizan en la actualidad.

La primera aplicación comercial de lectura óptica de registros (OMR), MIDISCAN (ahora SmartScore ), fue lanzada en 1991 por Musitek Corporation.

La disponibilidad de teléfonos inteligentes con buenas cámaras y suficiente potencia de procesamiento allanó el camino a soluciones móviles en las que el usuario toma una fotografía con el teléfono inteligente y el dispositivo procesa directamente la imagen.

Relación con otros campos

Relación del reconocimiento óptico de música con otros campos de investigación.

El reconocimiento óptico de música (OMR) se relaciona con otros campos de investigación, como la visión por computadora , el análisis de documentos y la recuperación de información musical . Es relevante para músicos y compositores que podrían usar sistemas OMR para introducir música en la computadora y, por lo tanto, facilitar el proceso de composición , transcripción y edición musical. En una biblioteca, un sistema OMR podría permitir la búsqueda de partituras [ 8 ] y, para los musicólogos, les permitiría realizar estudios musicológicos cuantitativos a gran escala [ 9 ] .

OMR frente a OCR

El reconocimiento óptico de música se ha comparado frecuentemente con el reconocimiento óptico de caracteres. [ 2 ] [ 10 ] [ 11 ] La principal diferencia radica en que la notación musical es un sistema de escritura basado en rasgos. Esto significa que, si bien el alfabeto consta de primitivas bien definidas (por ejemplo, plicas, cabezas de nota o banderas), es su configuración —cómo se colocan y organizan en el pentagrama— la que determina la semántica y su interpretación.

La segunda distinción importante radica en que, mientras que un sistema OCR se limita a reconocer letras y palabras, se espera que un sistema OMR también recupere la semántica musical: el usuario espera que la posición vertical de una nota (concepto gráfico) se traduzca en tono (concepto musical) aplicando las reglas de la notación musical. Cabe destacar que no existe un equivalente preciso en el reconocimiento de texto. Por analogía, recuperar la música de una imagen de una partitura puede ser tan complejo como recuperar el código fuente HTML de una captura de pantalla de un sitio web .

La tercera diferencia radica en el conjunto de caracteres utilizado. Si bien sistemas de escritura como el chino poseen conjuntos de caracteres extraordinariamente complejos, el conjunto de caracteres primitivos para OMR abarca una gama mucho mayor de tamaños, desde elementos diminutos como un punto hasta elementos grandes que pueden ocupar una página entera, como una llave. Algunos símbolos, como las barras diagonales, tienen una apariencia prácticamente ilimitada y se definen simplemente como curvas más o menos suaves que pueden interrumpirse en cualquier punto.

Por último, la notación musical implica relaciones espaciales bidimensionales omnipresentes, mientras que el texto puede leerse como un flujo de información unidimensional, una vez que se establece la base.

Enfoques para la medición óptica de resolución (OMR)

Fragmento del Nocturno Op. 15 , n.º 2, de Frédéric Chopin, compases 7-9: desafíos encontrados en el reconocimiento óptico de música.

El proceso de reconocimiento de partituras musicales se divide normalmente en pasos más pequeños que se gestionan mediante algoritmos especializados de reconocimiento de patrones .

Se han propuesto numerosos enfoques alternativos, la mayoría con una arquitectura de procesamiento en cadena, donde cada paso realiza una operación específica, como detectar y eliminar líneas de pentagrama antes de pasar a la siguiente etapa. Un problema común de este enfoque es que los errores y artefactos generados en una etapa se propagan por todo el sistema y pueden afectar gravemente el rendimiento. Por ejemplo, si la etapa de detección de líneas de pentagrama no identifica correctamente la existencia de los pentagramas, es probable que los pasos posteriores ignoren esa región de la imagen, lo que provocará la pérdida de información en el resultado.

El reconocimiento óptico de música se subestima con frecuencia debido a la aparente sencillez del problema: si se dispone de un escaneo perfecto de partituras, el reconocimiento visual puede resolverse con una secuencia de algoritmos relativamente simples, como proyecciones y coincidencia de plantillas . Sin embargo, el proceso se vuelve significativamente más difícil con escaneos deficientes o partituras manuscritas, que muchos sistemas no logran reconocer. E incluso si todos los símbolos se detectaran a la perfección, sigue siendo un desafío recuperar la semántica musical debido a las ambigüedades y las frecuentes violaciones de las reglas de la notación musical (véase el ejemplo del Nocturno de Chopin). Donald Byrd y Jakob Simonsen argumentan que el OMR es difícil porque la notación musical moderna es extremadamente compleja. [ 11 ]

Donald Byrd también recopiló una serie de ejemplos interesantes [ 12 ] , así como ejemplos extremos [ 13 ] de notación musical que demuestran la enorme complejidad de la notación musical.

Resultados de los sistemas OMR

Las aplicaciones típicas de los sistemas OMR incluyen la creación de una versión audible de la partitura musical (lo que se conoce como capacidad de reproducción). Una forma común de crear dicha versión es mediante la generación de un archivo MIDI , que puede sintetizarse en un archivo de audio. Sin embargo, los archivos MIDI no pueden almacenar información de grabado (cómo se dispusieron las notas) ni la ortografía enarmónica .

Si las partituras musicales se reconocen con el objetivo de que sean legibles para el ser humano (lo que se conoce como capacidad de reimpresión), es necesario recuperar la codificación estructurada, que incluye información precisa sobre la maquetación y el grabado. Los formatos adecuados para almacenar esta información son MEI y MusicXML .

Además de esas dos aplicaciones, también podría ser interesante extraer metadatos de la imagen o habilitar la búsqueda. A diferencia de las dos primeras, un menor nivel de comprensión de la partitura musical podría ser suficiente para realizar estas tareas.

Marco general (2001)

Arquitectura de reconocimiento óptico de música por Bainbridge y Bell (2001)

En 2001, David Bainbridge y Tim Bell publicaron su trabajo sobre los desafíos del OMR, donde revisaron investigaciones previas y extrajeron un marco general para el OMR. [ 10 ] Su marco ha sido utilizado por muchos sistemas desarrollados después de 2001. El marco tiene cuatro etapas distintas con un fuerte énfasis en la detección visual de objetos. Observaron que la reconstrucción de la semántica musical a menudo se omitía en los artículos publicados porque las operaciones utilizadas eran específicas del formato de salida.

Marco de referencia refinado (2012)

El marco general para el reconocimiento óptico de música propuesto por Ana Rebelo et al. en 2012

En 2012, Ana Rebelo et al. analizaron técnicas para el reconocimiento óptico de música. [ 14 ] Clasificaron la investigación publicada y refinaron el proceso de OMR en cuatro etapas: preprocesamiento, reconocimiento de símbolos musicales, reconstrucción de notación musical y construcción de la representación final. Este marco se convirtió en el estándar de facto para OMR y aún se utiliza hoy en día (aunque a veces con una terminología ligeramente diferente). Para cada bloque, ofrecen una descripción general de las técnicas que se utilizan para abordar ese problema. Esta publicación es el artículo más citado sobre investigación en OMR hasta 2019.

Aprendizaje profundo (desde 2016)

Con la llegada del aprendizaje profundo , muchos problemas de visión artificial han pasado de la programación imperativa con heurísticas elaboradas manualmente e ingeniería de características al aprendizaje automático . En el reconocimiento óptico de música, la etapa de procesamiento de pentagramas, [ 15 ] [ 16 ] la etapa de detección de objetos musicales , [ 17 ] [ 18 ] [ 19 ] [ 20 ] así como la etapa de reconstrucción de notación musical [ 21 ] han visto intentos exitosos de resolverlos con aprendizaje profundo.

Incluso se han propuesto enfoques completamente nuevos, incluyendo la resolución de OMR de extremo a extremo con modelos de secuencia a secuencia, que toman una imagen de partituras musicales y producen directamente la música reconocida en un formato simplificado. [ 22 ] [ 23 ] [ 24 ] [ 25 ]

Proyectos científicos destacados

desafío de la eliminación del personal

Para los sistemas desarrollados antes de 2016, la detección y eliminación del personal representaba un obstáculo importante. Se organizó una competición científica para mejorar el estado del arte y hacer avanzar el campo. [ 26 ] Debido a los excelentes resultados y las técnicas modernas que hicieron obsoleta la etapa de eliminación del personal, esta competición se suspendió.

Sin embargo, el conjunto de datos CVC-MUSCIMA, de libre acceso y desarrollado para este desafío, sigue siendo muy relevante para la investigación en OMR, ya que contiene 1000 imágenes de alta calidad de partituras manuscritas, transcritas por 50 músicos diferentes. Este conjunto se ha ampliado posteriormente con el conjunto de datos MUSCIMA++, que incluye anotaciones detalladas para 140 de las 1000 páginas.

SIMSSA

El proyecto SIMSSA (Single Interface for Music Score Searching and Analysis) [ 27 ] es probablemente el proyecto más grande que intenta enseñar a las computadoras a reconocer partituras musicales y hacerlas accesibles. Varios subproyectos ya se han completado con éxito, incluidos Liber Usualis [ 28 ] y Cantus Ultimus [ 29 ] .

TROMPA

Towards Richer Online Music Public-domain Archives (TROMPA) es un proyecto de investigación internacional, patrocinado por la Unión Europea, que investiga cómo hacer más accesibles los recursos de música digital de dominio público. [ 30 ]

conjuntos de datos

El desarrollo de sistemas OMR se beneficia de conjuntos de datos de prueba de tamaño y diversidad suficientes para garantizar que el sistema en desarrollo funcione en diversas condiciones. Sin embargo, por razones legales y posibles infracciones de derechos de autor, resulta difícil recopilar y publicar un conjunto de datos de este tipo. Los conjuntos de datos más destacados para OMR se referencian y resumen en el proyecto OMR Datasets [ 31 ] e incluyen CVC-MUSCIMA, [ 32 ] MUSCIMA++, [ 33 ] DeepScores, [ 34 ] PrIMuS , [ 35 ] HOMUS, [ 36 ] y el conjunto de datos SEILS, [ 37 ] así como la Universal Music Symbol Collection. [ 38 ]

La empresa francesa Newzik adoptó un enfoque diferente en el desarrollo de su tecnología OMR Maestria, [ 39 ] mediante la generación aleatoria de partituras. El uso de datos sintéticos ayudó a evitar problemas de derechos de autor y a entrenar los algoritmos de inteligencia artificial con casos musicales que rara vez aparecen en el repertorio real, lo que, según afirma la empresa, resultó en un reconocimiento musical más preciso. [ 40 ]

Software

Software académico y de código abierto

Los proyectos de OMR de código abierto varían significativamente, desde software bien desarrollado como Audiveris , hasta muchos proyectos que se han realizado en el ámbito académico, pero de los cuales solo unos pocos han alcanzado un estado maduro y se han implementado con éxito para los usuarios. Estos sistemas incluyen:

Software comercial

La mayoría de las aplicaciones de escritorio comerciales desarrolladas en los últimos 20 años han sido clausuradas debido a su falta de éxito comercial, quedando solo unos pocos proveedores que aún desarrollan, mantienen y venden productos OMR. Algunos de estos productos afirman alcanzar tasas de reconocimiento extremadamente altas, con una precisión de hasta el 100 % [ 49 ] [ 50 ] , pero no revelan cómo se obtuvieron esas cifras, lo que hace casi imposible verificarlas y comparar diferentes sistemas OMR.

  • escaneo de la capella [ 51 ]
  • FORTE por notación Forte [ 52 ]
  • Escaneo de conexiones MIDI por sistemas de composición y arreglos [ 53 ]
  • NoteScan incluido con Nightingale [ 54 ]
  • Myriad SARL
    • OMeR (Optical Music easy Reader) Complemento para Harmony Assistant y Melody Assistant: Myriad Software [ 55 ]
    • PDFtoMusic Pro [ 56 ]
  • PhotoScore de Neuratron [ 50 ] La versión Light de PhotoScore se utiliza en Sibelius ; PhotoScore utiliza el SDK de SharpEye.
  • Scorscan por npcImaging [ 57 ]
  • SmartScore de Musitek. [ 58 ] Anteriormente empaquetado como "MIDISCAN". (SmartScore Lite se ha utilizado en versiones anteriores de Finale ).
  • ScanScore [ 59 ] (También como un paquete con Forte Notation .) [ 52 ]
  • Importador de imágenes/PDF de Soundslice. [ 60 ] Sistema OMR basado en IA lanzado en versión beta en septiembre de 2022. [ 61 ]
  • Maestria de Newzik. [ 39 ] Lanzada en mayo de 2021, Maestria es un ejemplo de tecnología OMR de nueva generación basada en aprendizaje profundo. La empresa afirma que no solo ofrece mejores resultados, sino que también significa que "se vuelve más precisa con cada conversión". [ 62 ]

Aplicaciones móviles

Las mejores cámaras y el aumento de la capacidad de procesamiento han permitido el desarrollo de diversas aplicaciones móviles, tanto en Google Play Store como en la App Store. Con frecuencia, la atención se centra en la interpretación a primera vista (véase lectura a primera vista ), que consiste en convertir la partitura en sonido para reproducirlo en el dispositivo.

  • iSeeNotes de Gear Up AB [ 63 ]
  • NotateMe Now de Neuratron [ 64 ]
  • Escáner de notación de Song Zhang [ 65 ]
  • PlayScore 2 de Organum Ltd [ 66 ]
  • Lector de notas SmartScore de Musitek [ 67 ]
  • Aplicación Newzik [ 68 ]

Véase también

Referencias

  1. ↑ Pacha, Alexander (2019). Reconocimiento óptico de música de autoaprendizaje (PhD). TU Wien, Austria. doi : 10.13140/RG.2.2.18467.40484 .
  2. 1 2 Calvo-Zaragoza, Jorge; Hajič, Jan jr.; Pacha, Alexander (2020). "Understanding Optical Music Recognition". ACM Computing Surveys . 53 (4): 1– 35. arXiv : 1908.03608 . doi : 10.1145/3397499 . S2CID 199543265 . 
  3. ↑ Reconocimiento óptico de música para principiantes - Parte 2 - Introducción e historia . youtube.com . YouTube . 3 de octubre de 2018. Archivado del original el 21 de diciembre de 2021. Consultado el 24 de junio de 2021 .
  4. ↑ Pruslin, Dennis Howard (1966). Reconocimiento automático de partituras (Tesis doctoral). Instituto Tecnológico de Massachusetts, Cambridge, Massachusetts, EE. UU.
  5. ↑ Prerau, David S. (1971). Reconocimiento de patrones informáticos en música impresa . Conferencia Conjunta de Informática de Otoño. págs. 153–162 . 
  6. ↑ "WABOT – WAseda roBOT" . waseda.ac.jp . Humanoide de la Universidad de Waseda . Consultado el 14 de julio de 2019 .
  7. ↑ "Wabot 2" . IEEE . IEEE . Consultado el 14 de julio de 2019 .
  8. ↑ Laplante, Audrey; Fujinaga, Ichiro (2016). Digitalización de partituras musicales: desafíos y oportunidades para las bibliotecas . 3er Taller Internacional sobre Bibliotecas Digitales para Musicología. pp. 45–48 . 
  9. ↑ Hajič, Jan jr.; Kolárová, Marta; Pacha, Alexander; Calvo-Zaragoza, Jorge (2018). Cómo los sistemas actuales de reconocimiento óptico de música se están volviendo útiles para las bibliotecas digitales . V Conferencia Internacional sobre Bibliotecas Digitales para Musicología. París, Francia. pp. 57–61 . 
  10. 1 2 3 Bainbridge, David; Bell, Tim (2001). "El desafío del reconocimiento óptico de música" . Computers and the Humanities . 35 (2): 95– 121. doi : 10.1023/A:1002485918032 . S2CID 18602074. Recuperado el 23 de febrero de 2017 . 
  11. 1 2 Byrd, Donald; Simonsen, Jakob Grue (2015). "Hacia un banco de pruebas estándar para el reconocimiento óptico de música: definiciones, métricas e imágenes de página". Journal of New Music Research . 44 (3): 169– 195. doi : 10.1080/09298215.2015.1045424 .
  12. ↑ Byrd, Donald (noviembre de 2017). "Galería de notación musical interesante (Wayback Machine)" . web.archive.org . Archivado del original el 3 de febrero de 2025. Recuperado el 12 de noviembre de 2025 .{{cite web}}: Cite usa título genérico ( ayuda ) CS1 maint: bot: estado de URL original desconocido ( enlace )
  13. ↑ Byrd, Donald (octubre de 2018). "Extremos de la notación musical convencional" . indiana.edu . Archivado del original el 19 de julio de 2019. Recuperado el 14 de julio de 2019 .
  14. ↑ Rebelo, Ana; Fujinaga, Ichiro; Paszkiewicz, Filipe; Marcal, André RS; Guedes, Carlos; Cardoso, Jamie dos Santos (2012). "Reconocimiento óptico de música: cuestiones abiertas y de última generación" (PDF) . Revista internacional de recuperación de información multimedia . 1 (3): 173– 190. doi : 10.1007/s13735-012-0004-6 . S2CID 12964479 . Consultado el 15 de julio de 2019 . 
  15. ↑ Gallego, Antonio-Javier; Calvo-Zaragoza, Jorge (2017). "Eliminación de líneas de personal con autoencoders de selección". Expert Systems with Applications . 89 : 138–148 . doi : 10.1016/j.eswa.2017.07.002 . hdl : 10045/68971 .
  16. ↑ Castellanos, Francisco J.; Calvo-Zaragoza, Jorge; Vigliensoni, Gabriel; Fujinaga, Ichiro (2018). Análisis documental de imágenes de partituras musicales con autocodificadores de selección (PDF) . 19.ª Conferencia Internacional de la Sociedad para la Recuperación de Información Musical. París, Francia. pp. 256–263 . Recuperado el 15 de julio de 2019 . 
  17. ↑ Tuggener, Lukas; Elezi, Ismail; Schmidhuber, Jürgen; Stadelmann, Thilo (2018). Detector de cuencas hidrográficas profundas para el reconocimiento de objetos musicales ( PDF) . 19.ª Conferencia Internacional de la Sociedad para la Recuperación de Información Musical. París, Francia. pp. 271–278 . Recuperado el 15 de julio de 2019 . 
  18. ↑ Hajič, Jan jr.; Dorfer, Matthias; Widmer, Gerhard; Pecina, Pavel (2018). Hacia un sistema OMR manuscrito de flujo completo con detección de símbolos musicales mediante U-Nets (PDF) . 19.ª Conferencia Internacional de la Sociedad para la Recuperación de Información Musical. París, Francia. pp. 225–232 . Consultado el 15 de julio de 2019 . 
  19. ↑ Pacha, Alexander; Hajič, Jan jr.; Calvo-Zaragoza, Jorge (2018). "Una línea base para la detección general de objetos musicales con aprendizaje profundo" . Applied Sciences . 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). Detección de objetos musicales manuscritos: problemas abiertos y resultados de referencia (PDF) . XIII Taller Internacional sobre Sistemas de Análisis de Documentos. págs. 163–168 . doi : 10.1109/DAS.2018.51 . Recuperado el 2 de septiembre de 2019 . 
  21. ↑ Pacha, Alexander; Calvo-Zaragoza, Jorge; Hajič, Jan jr. (2019). Aprendizaje de la construcción de grafos de notación para el reconocimiento óptico de música en toda la cadena (PDF) . XX Conferencia Internacional de la Sociedad para la Recuperación de Información Musical . Recuperado el 2 de julio de 2023 .
  22. ↑ van der Wel, Eelco; Ullrich, Karen (2017). Reconocimiento óptico de música con modelos convolucionales secuencia a secuencia (PDF) . 18.ª Conferencia Internacional de la Sociedad para la Recuperación de Información Musical. Suzhou, China.
  23. ↑ Calvo-Zaragoza, Jorge; Rizo, David (2018). "Reconocimiento óptico neuronal de música de extremo a extremo de partituras monofónicas" . Applied Sciences . 8 (4): 606. doi : 10.3390/app8040606 . hdl : 10251/143793 .
  24. ↑ Baró, Arnau; Riba, Pau; Calvo-Zaragoza, Jorge; Fornés, Alicia (2017). Reconocimiento óptico de música mediante redes neuronales recurrentes . XIV Congreso Internacional sobre Análisis y Reconocimiento de Documentos. págs. 25 y 26. doi : 10.1109/ICDAR.2017.260 . 
  25. ↑ Baró, Arnau; Riba, Pau; Calvo-Zaragoza, Jorge; Fornés, Alicia (2019). "Del reconocimiento óptico de música al reconocimiento de música manuscrita: una base". Letras de reconocimiento de patrones . 123 : 1– 8. Código Bib : 2019PaReL.123....1B . doi : 10.1016/j.patrec.2019.02.029 . hdl : 10045/89708 . S2CID 127170982 . 
  26. ↑ Fornés, Alicia; Dutta, Anjan; Gordo, Albert; Lladós, Josep (2013). «The 2012 Music Scores Competitions: Staff Removal and Writer Identification». En Young-Bin Kwon; Jean-Marc Ogier (eds.). Graphics Recognition. New Trends and Challenges . Lecture Notes in Computer Science. Vol. 7423. Springer. pp. 173–186 . doi : 10.1007/978-3-642-36824-0_17 . ISBN   978-3-642-36823-3.
  27. ↑ "Proyecto de interfaz única para la búsqueda y el análisis de partituras musicales" . simssa.ca . Universidad McGill . Consultado el 14 de julio de 2019 .
  28. ↑ "Buscar en el Liber Usualis" . liber.simssa.ca . Universidad McGill . Consultado el 14 de julio de 2019 .
  29. ↑ "Cantus Ultimus" . cantus.simssa.ca . Universidad McGill . Consultado el 14 de julio de 2019 .
  30. ↑ "Hacia archivos de música de dominio público en línea más completos" . trompamusic.eu . Consultado el 14 de julio de 2019 .
  31. ↑ Pacha, Alexander. "Conjuntos de datos de reconocimiento óptico de música" . github.io . Consultado el 14 de julio de 2019 .
  32. ↑ Fornés, Alicia; Dutta, Anjan; Gordo, Albert; Lladós, Josep (2012). "CVC-MUSCIMA: Una verdad fundamental de imágenes de partituras musicales manuscritas para la identificación del autor y la eliminación del pentagrama". Revista Internacional de Análisis y Reconocimiento de Documentos . 15 (3): 243– 251. doi : 10.1007/s10032-011-0168-2 . S2CID 17946417 . 
  33. ↑ Hajič, Jan jr.; Pecina, Pavel (2017). El conjunto de datos MUSCIMA++ para el reconocimiento óptico de música manuscrita . 14.ª Conferencia Internacional sobre Análisis y Reconocimiento de Documentos. Kioto, Japón. pp. 39–46 . doi : 10.1109/ICDAR.2017.16 . 
  34. ↑ Tuggener, Lucas; Elezi, Ismail; Schmidhuber, Jürgen; Pelillo, Marcello; Stadelmann, Thilo (2018). DeepScores: un conjunto de datos para segmentación, detección y clasificación de objetos pequeños . 24ª Conferencia Internacional sobre Reconocimiento de Patrones. Pekín, China. doi : 10.21256/zhaw-4255 .
  35. ↑ Calvo-Zaragoza, Jorge; Rizo, David (2018). Camera-PrIMuS: Reconocimiento óptico de música de extremo a extremo neuronal en partituras monofónicas realistas (PDF) . 19.ª Conferencia Internacional de la Sociedad para la Recuperación de Información Musical. París, Francia. pp. 248–255 . Recuperado el 15 de julio de 2019 . 
  36. ↑ Calvo-Zaragoza, Jorge; Oncina, Jose (2014). Reconocimiento de notación musical basada en pluma: el conjunto de datos HOMUS . 22.ª Conferencia Internacional sobre Reconocimiento de Patrones. pp. 3038–3043 . doi : 10.1109/ICPR.2014.524 . 
  37. ↑ Parada-Cabaleiro, Emilia; Batliner, Anton; Baird, Alice; Schuller, Björn (2017). El conjunto de datos SEILS: Partituras codificadas simbólicamente en notación moderna-temprana para musicología computacional (PDF) . 18.ª Conferencia Internacional de la Sociedad para la Recuperación de Información Musical. Suzhou, China. pp. 575–581 . Recuperado el 12 de agosto de 2020 . 
  38. ↑ Pacha, Alexander; Eidenberger, Horst (2017). Hacia un clasificador universal de símbolos musicales . 14.ª Conferencia Internacional sobre Análisis y Reconocimiento de Documentos. Kioto, Japón. pp. 35–36 . doi : 10.1109/ICDAR.2017.265 . 
  39. 1 2 "Maestria" . newzik.com . Newzik . Consultado el 24 de junio de 2021 .
  40. ↑ Apprendre le solfège à des algoritmes avec Marie Chupeau, chercheuse en Intelligence artificielle . youtube.com (en francés). YouTube . 21 de junio de 2021. Archivado desde el original el 21 de diciembre de 2021 . Consultado el 24 de junio de 2021 .
  41. ↑ "Aruspix" . aruspix.net . Consultado el 15 de julio de 2019 .
  42. ↑ "Audiveris" . github.com . Consultado el 15 de julio de 2019 .
  43. ↑ "David Bainbridge (Página principal)" . waikato.ac.nz . Consultado el 15 de julio de 2019 .
  44. ↑ "Complemento Gamera: Kit de herramientas MusicStaves" . hsnr.de. Consultado el 15 de julio de 2019 .
  45. ↑ Coüasnon, Bertrand (2001). DMOS: un método genérico de reconocimiento de documentos, aplicación a un generador automático de partituras musicales, fórmulas matemáticas y sistemas de reconocimiento de estructuras de tablas . Sexta Conferencia Internacional sobre Análisis y Reconocimiento de Documentos. pp. 215–220 . doi : 10.1109/ICDAR.2001.953786 . 
  46. ↑ "oemer: Sistema de reconocimiento óptico de música (OMR) de extremo a extremo" . github.com . Consultado el 21 de septiembre de 2023 .
  47. ↑ "OpenOMR" . sourceforge.net . 10 de abril de 2013. Consultado el 26 de enero de 2017 .
  48. ↑ "Rodan" . github.com . Consultado el 15 de julio de 2019 .
  49. ↑ "Octavo silencio o mancha" . capella-software.com . capella-software AG . Consultado el 15 de julio de 2019 .
  50. 1 2 "PhotoScore & NotateMe Ultimate" . neuratron.com . Neuratron . Consultado el 24 de junio de 2021 .
  51. ↑ "capella-scan" . capella-software.com . capella-software AG . Consultado el 24 de junio de 2021 .
  52. 1 2 "FORTE 12 Premium Edition" . fortenotation.com . Forte Notation . Consultado el 24 de junio de 2021 .
  53. ↑ "MIDI-Connections SCAN 2.1" . midi-connections.com . Sistemas de composición y arreglos . Consultado el 24 de junio de 2021 .
  54. ↑ "Ruiseñor" . ngale.com . Adept Music Notation Solutions. 11 de enero de 2008. Consultado el 30 de marzo de 2021 .
  55. ↑ "OMeR" . myriad-online.com . Myriad SARL . Consultado el 6 de octubre de 2013 .
  56. ↑ "PDFtoMusic Pro" . myriad-online.com . Myriad SARL . Consultado el 13 de noviembre de 2015 .
  57. ↑ "Información de ScorScan" . npcimaging.com . NPC Imaging . Consultado el 6 de octubre de 2013 .
  58. ↑ "SmartScore" . musitek.com . Musitek . Consultado el 24 de junio de 2021 .
  59. ↑ "ScanScore" . scan-score.com . SCANSCORE . Consultado el 24 de noviembre de 2019 .
  60. ↑ "Escáner de partituras Soundslice" . soundslice.com . Soundslice . Consultado el 17 de diciembre de 2022 .
  61. ↑ "Escaneo de fotos y PDF de Soundslice (beta)" . soundslice.com . Soundslice . Consultado el 17 de diciembre de 2022 .
  62. ↑ Rothman, Philip (26 de mayo de 2021). "Newzik presenta LiveScores interactivos con Maestria, reconocimiento óptico de música basado en IA" . scoringnotes.com . Scoring Note . Consultado el 24 de junio de 2021 .
  63. ↑ "iSeeNotes" . iseenotes.com . Geer Up AB . Consultado el 24 de junio de 2021 .
  64. ↑ "NotateMe" . neuratron.com . Neuratron . Consultado el 24 de junio de 2021 .
  65. ↑ "Escáner de notación" . apps.apple.com . Apple Inc. 23 de marzo de 2020. Consultado el 24 de junio de 2021 .
  66. ↑ «PlayScore 2» . playcore.co . Puntuación de reproducción . Consultado el 24 de junio de 2021 .
  67. ↑ "SmartScore NoteReader" . play.google.com . Consultado el 24 de junio de 2021 .
  68. ↑ "Aplicación Newzik" . newzik.com . Newzik . Consultado el 24 de junio de 2021 .
  • Grabación del tutorial de ISMIR 2018 "Reconocimiento óptico de música para principiantes"
  • Reconocimiento óptico de música (OMR): Programas y artículos científicos
  • Sistemas OMR (Reconocimiento Óptico de Música) : Tabla completa de sistemas OMR (Última actualización: 30 de enero de 2007).

Logotipo de Wikimedia CommonsContenido multimedia relacionado con el reconocimiento óptico de música en Wikimedia Commons.