El reconocimiento óptico de música ( OMR ) es un campo de investigación que investiga cómo leer computacionalmente la notación musical en documentos. [1] El objetivo de OMR 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 diseño de página).
En el pasado, engañosamente, también se le ha llamado Music OCR . Debido a diferencias significativas, este término ya no debe usarse. [2]
Historia
![](http://wikiimg.tojsiabtv.com/wikipedia/commons/thumb/d/d7/FirstPublishedDigitalScanOfMusic-Prerau1971.png/220px-FirstPublishedDigitalScanOfMusic-Prerau1971.png)
El reconocimiento óptico de música de partituras impresas comenzó a fines de la década de 1960 en el 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 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 que tenía delante y acompañar a un cantante en 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 OMR, MIDISCAN (ahora SmartScore ), fue lanzada en 1991 por Musitek Corporation .
La disponibilidad de teléfonos inteligentes con buenas cámaras y suficiente potencia computacional, allanó el camino hacia soluciones móviles donde el usuario toma una foto con el teléfono inteligente y el dispositivo procesa directamente la imagen.
Relación con otros campos
![](http://wikiimg.tojsiabtv.com/wikipedia/commons/thumb/5/52/RelationToOtherFields.svg/220px-RelationToOtherFields.svg.png)
El reconocimiento óptico de música se relaciona con otros campos de investigación, incluida la visión por computadora , el análisis de documentos y la recuperación de información musical . Es relevante para músicos y compositores en práctica que podrían usar los sistemas OMR como un medio para ingresar música en la computadora y así facilitar el proceso de composición , transcripción y edición de música. En una biblioteca, un sistema OMR podría permitir la búsqueda de partituras musicales [8] y, para los musicólogos, permitiría realizar estudios musicológicos cuantitativos a escala. [9]
OMR frente a OCR
El reconocimiento óptico de música se ha comparado con frecuencia con el reconocimiento óptico de caracteres. [2] [10] [11] La mayor diferencia es que la notación musical es un sistema de escritura característico. Esto significa que si bien el alfabeto consta de primitivas bien definidas (p. Ej., Tallos, cabezas de nota o banderas), es su configuración (cómo se colocan y ordenan en el pentagrama) lo que determina la semántica y cómo debe interpretarse.
La segunda gran distinción es el hecho de que, si bien un sistema OCR no va más allá de reconocer letras y palabras, se espera que un sistema OMR recupere también la semántica de la música: el usuario espera que la posición vertical de una nota (concepto gráfico) se esté modificando. traducido al tono (concepto musical) aplicando las reglas de la notación musical. Tenga en cuenta que no existe un equivalente adecuado en el reconocimiento de texto. Por analogía, recuperar la música de una imagen de una partitura puede ser tan desafiante como recuperar el código fuente HTML de la captura de pantalla de un sitio web .
La tercera diferencia proviene del juego de caracteres utilizado. Aunque los sistemas de escritura como el chino tienen conjuntos de caracteres extraordinariamente complejos, el conjunto de caracteres primitivos de OMR abarca una gama mucho mayor de tamaños, que van desde elementos diminutos como un punto hasta elementos grandes que potencialmente abarcan una página completa como una llave. Algunos símbolos tienen una apariencia casi ilimitada, como insultos, que solo se definen como curvas más o menos suaves que pueden interrumpirse en cualquier lugar.
Finalmente, la notación musical implica relaciones espaciales bidimensionales ubicuas, mientras que el texto puede leerse como un flujo de información unidimensional, una vez que se establece la línea de base.
Enfoques de OMR
![](http://wikiimg.tojsiabtv.com/wikipedia/commons/thumb/1/1f/Excerpt_from_Nocturne_Op._15%2C_no._2_by_Fr%C3%A9d%C3%A9ric_Chopin.png/330px-Excerpt_from_Nocturne_Op._15%2C_no._2_by_Fr%C3%A9d%C3%A9ric_Chopin.png)
El proceso de reconocimiento de partituras musicales generalmente se divide en pasos más pequeños que se manejan con algoritmos especializados de reconocimiento de patrones .
Se han propuesto muchos enfoques en competencia y la mayoría de ellos comparten una arquitectura de canalización, donde cada paso de esta canalización realiza una operación determinada, como detectar y eliminar líneas de personal antes de pasar a la siguiente etapa. Un problema común con ese enfoque es que los errores y artefactos que se realizaron en una etapa se propagan a través del sistema y pueden afectar en gran medida el rendimiento. Por ejemplo, si la etapa de detección de la línea del pentagrama no identifica correctamente la existencia del pentagrama musical, los pasos posteriores probablemente ignorarán esa región de la imagen, lo que provocará que falte información en la salida.
El reconocimiento óptico de música se subestima con frecuencia debido a la naturaleza aparentemente fácil del problema: si se proporciona un escaneo perfecto de la música compuesta, el reconocimiento visual se puede resolver con una secuencia de algoritmos bastante simples, como proyecciones y coincidencia de plantillas. Sin embargo, el proceso se vuelve significativamente más difícil para escaneos deficientes o música escrita a mano, que muchos sistemas no reconocen por completo. E incluso si todos los símbolos se hubieran detectado perfectamente, todavía es un desafío recuperar la semántica musical debido a las ambigüedades y las frecuentes violaciones de las reglas de la notación musical (ver el ejemplo del Nocturne de Chopin). Donald Byrd y Jakob Simonsen argumentan que 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.
Salidas de los sistemas OMR
Las aplicaciones típicas de los sistemas OMR incluyen la creación de una versión audible de la partitura musical (conocida como rejugabilidad). Una forma común de crear una versión de este tipo es generando un archivo MIDI , que se puede sintetizar en un archivo de audio. Sin embargo, los archivos MIDI no son capaces de almacenar información de grabado (cómo se distribuyeron las notas) o deletrear enarmónicos .
Si las partituras se reconocen con el objetivo de la legibilidad humana (lo que se conoce como reimprimibilidad), se debe recuperar la codificación estructurada, que incluye información precisa sobre el diseño y el grabado. Los formatos adecuados para almacenar esta información incluyen MEI y MusicXML .
Aparte de esas dos aplicaciones, también puede ser interesante simplemente extraer metadatos de la imagen o habilitar la búsqueda. A diferencia de las dos primeras aplicaciones, un nivel más bajo de comprensión de la partitura musical podría ser suficiente para realizar estas tareas.
Marco general (2001)
![](http://wikiimg.tojsiabtv.com/wikipedia/commons/thumb/9/9a/Optical_Music_Recognition_Architecture_by_Bainbridge_and_Bell_%282001%29.svg/440px-Optical_Music_Recognition_Architecture_by_Bainbridge_and_Bell_%282001%29.svg.png)
En 2001, David Bainbridge y Tim Bell publicaron su trabajo sobre los desafíos de OMR, donde revisaron investigaciones anteriores y extrajeron un marco general para OMR. [10] Su marco ha sido utilizado por muchos sistemas desarrollados después de 2001. El marco tiene cuatro etapas distintas con un gran énfasis en la detección visual de objetos. Notaron 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 refinado (2012)
![](http://wikiimg.tojsiabtv.com/wikipedia/commons/thumb/b/be/Optical_Music_Recognition_Architecture_by_Rebelo_%282012%29.svg/440px-Optical_Music_Recognition_Architecture_by_Rebelo_%282012%29.svg.png)
En 2012, Ana Rebelo et al. Técnicas estudiadas para el reconocimiento óptico de música. [14] Clasificaron la investigación publicada y refinaron la tubería OMR en cuatro etapas: preprocesamiento, reconocimiento de símbolos musicales, reconstrucción de notación musical y construcción de representación final. Este marco se convirtió en el estándar de facto para OMR y todavía se usa hoy (aunque a veces con una terminología ligeramente diferente). Para cada bloque, brindan una descripción general de las técnicas que se utilizan para abordar ese problema. Esta publicación es el artículo más citado sobre la investigación de OMR a partir de 2019.
Aprendizaje profundo (desde 2016)
Con el advenimiento del aprendizaje profundo , muchos problemas de visión por computadora han pasado de la programación imperativa con heurísticas hechas a mano e ingeniería de funciones hacia el aprendizaje automático. En el reconocimiento óptico de música, la etapa de procesamiento del pentagrama, [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 resuélvalos con aprendizaje profundo.
Incluso se han propuesto enfoques completamente nuevos, incluida la resolución de OMR de un extremo a otro con modelos de secuencia a secuencia, que toman una imagen de las partituras y producen directamente la música reconocida en un formato simplificado. [22] [23] [24] [25]
Proyectos científicos destacados
Desafío de remoción de personal
Para los sistemas que se desarrollaron antes de 2016, la detección y remoción de personal representó un obstáculo significativo. Se organizó un concurso científico para mejorar el estado de la técnica y hacer avanzar el campo. [26] Debido a los excelentes resultados y las técnicas modernas que hicieron obsoleta la etapa de remoción de personal, esta competencia se suspendió.
Sin embargo, el conjunto de datos CVC-MUSCIMA de libre acceso que se desarrolló para este desafío sigue siendo muy relevante para la investigación de OMR, ya que contiene 1000 imágenes de alta calidad de partituras musicales escritas a mano, transcritas por 50 músicos diferentes. Se ha ampliado aún más al conjunto de datos MUSCIMA ++, que contiene anotaciones detalladas para 140 de las 1000 páginas.
SIMSSA
El proyecto de interfaz única para la búsqueda y análisis de partituras musicales (SIMSSA) [27] es probablemente el proyecto más grande que intenta enseñar a las computadoras a reconocer partituras musicales y hacerlas accesibles. Ya se han completado con éxito varios subproyectos, incluidos el Liber Usualis [28] y el 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 que se está desarrollando funcione en diversas condiciones. Sin embargo, debido a razones legales y posibles violaciones de derechos de autor, es un desafío compilar y publicar un conjunto de datos de este tipo. Los conjuntos de datos más notables para OMR son referenciados y resumidos por el proyecto OMR Datasets [31] e incluyen CVC-MUSCIMA, [32] MUSCIMA ++, [33] DeepScores, [34] PrIMuS, [35] HOMUS, [36] y SEILS. conjunto de datos, [37] así como Universal Music Symbol Collection. [38]
Software
Software académico y de código abierto
Muchos proyectos de OMR se han realizado en el ámbito académico, pero solo algunos de ellos alcanzaron un estado de madurez y se implementaron con éxito entre los usuarios. Estos sistemas son:
- Aruspix [39]
- Audiveris [40]
- CANTOR [41]
- Gamera [42]
- DMOS [43]
- OpenOMR [44]
- Rodan [45]
Software comercial
La mayoría de las aplicaciones comerciales de escritorio que se desarrollaron en los últimos 20 años se han cerrado nuevamente debido a la falta de éxito comercial, dejando solo unos pocos proveedores que aún están desarrollando, manteniendo y vendiendo productos OMR. Algunos de estos productos afirman tasas de reconocimiento extremadamente altas con una precisión de hasta el 100% [46] [47], pero no revelan cómo se obtuvieron esos números, lo que hace casi imposible verificarlos y comparar diferentes sistemas OMR.
- capella-scan [48]
- ForteScan Light por Fortenotation [49] ahora Scan Score [50]
- Escaneo de conexiones MIDI por conexiones MIDI [51]
- MP Scan de Braeburn. [52] Utiliza SharpEye SDK.
- NoteScan incluido con Nightingale [53]
- Complemento OMeR (Optical Music Easy Reader) para Harmony Assistant y Melody Assistant: Myriad Software [54] (ShareWare)
- PDFtoMusic [55]
- PhotoScore por Neuratron. [47] La versión ligera de PhotoScore se utiliza en Sibelius . PhotoScore utiliza el SDK de SharpEye.
- Scorscan por npcImaging. [56] Basado en SightReader (?)
- SharpEye de Visiv [57]
- VivaldiScan (igual que SharpEye) [58]
- SmartScore de Musitek. [59] Anteriormente empaquetado como "MIDISCAN". (SmartScore Lite se ha utilizado en versiones anteriores de Finale ).
- ScanScore [60] (también como paquete con Forte Notation ) [61]
Aplicaciones móviles
Mejores cámaras y aumentos en la potencia de procesamiento han permitido una variedad de aplicaciones móviles, tanto en Google Play Store como en Apple Store. Con frecuencia, la atención se centra en la reproducción a primera vista (ver lectura a primera vista ), convirtiendo la partitura en sonido que se reproduce en el dispositivo.
- iSeeNotes de Gear Up AB. [62]
- NotateMe Now de Neuratron. [63]
- Escáner de notación de Song Zhang. [64]
- PlayScore 2 de Organum Ltd. [65]
- SmartScore NoteReader de Musitek. [66] (ver SmartScore )
Ver también
- La recuperación de información musical (MIR) es el problema más amplio de recuperar información musical de los medios, incluidas las partituras y el audio.
- El reconocimiento óptico de caracteres (OCR) es el reconocimiento de texto que se puede aplicar a la recuperación de documentos , de forma análoga a OMR y MIR. Sin embargo, un sistema OMR completo debe representar fielmente el texto que está presente en las partituras, por lo que OMR es de hecho un superconjunto de OCR. [10]
Referencias
- ^ Pacha, Alexander (2019). Reconocimiento Óptico de Música (PhD) con autoaprendizaje. TU Wien, Austria. doi : 10.13140 / RG.2.2.18467.40484 .
- ^ a b Calvo-Zaragoza, Jorge; Hajič, Jan jr .; Pacha, Alexander (2020). "Comprensión del reconocimiento óptico de música". Encuestas de computación ACM . 53 (4): 1–35. arXiv : 1908.03608 . doi : 10.1145 / 3397499 . S2CID 199543265 .
- ^ Fujinaga, Ichiro (2018). La historia de OMR en YouTube
- ^ Pruslin, Dennis Howard (1966). Reconocimiento automático de partituras (PhD). Instituto de Tecnología de Massachusetts, Cambridge, Massachusetts, EE. UU.
- ^ Prerau, David S. (1971). Reconocimiento de patrones informáticos de música impresa . Conferencia conjunta sobre informática de otoño. págs. 153-162.
- ^ "WABOT - WAseda roBOT" . Humanoide de la Universidad de Waseda. Archivado desde el original el 8 de julio de 2019 . Consultado el 14 de julio de 2019 .
- ^ "Entrada de Wabot en la colección IEEE de Robots" . IEEE. Archivado desde el original el 4 de enero de 2020 . Consultado el 14 de julio de 2019 .
- ^ Laplante, Audrey; Fujinaga, Ichiro (2016). Digitalización de partituras musicales: desafíos y oportunidades para las bibliotecas . 3er Taller Internacional de Bibliotecas Digitales para Musicología. págs. 45–48.
- ^ Hajič, Jan jr .; Kolárová, Marta; Pacha, Alexander; Calvo-Zaragoza, Jorge (2018). Cómo los sistemas de reconocimiento óptico de música actuales se están volviendo útiles para las bibliotecas digitales . V Congreso Internacional de Bibliotecas Digitales para Musicología. París, Francia. págs. 57–61.
- ^ a b c Bainbridge, David; Bell, Tim (2001). "El desafío del reconocimiento óptico de música" . Informática y Humanidades . 35 (2): 95-121. doi : 10.1023 / A: 1002485918032 . S2CID 18602074 . Consultado el 23 de febrero de 2017 .
- ^ a b Byrd, Donald; Simonsen, Jakob Grue (2015). "Hacia un banco de pruebas estándar para el reconocimiento óptico de música: definiciones, métricas e imágenes de página". Revista de investigación sobre música nueva . 44 (3): 169-195. doi : 10.1080 / 09298215.2015.1045424 .
- ^ "Galería de notación musical interesante" . Donald Byrd. Archivado desde el original el 4 de julio de 2019 . Consultado el 14 de julio de 2019 .
- ^ "Extremos de la notación musical convencional" . Donald Byrd. Archivado desde el original el 19 de julio de 2019 . Consultado el 14 de julio de 2019 .
- ^ Rebelo, Ana; Fujinaga, Ichiro; Paszkiewicz, Filipe; Marcal, Andre RS; Guedes, Carlos; Cardoso, Jamie dos Santos (2012). "Reconocimiento óptico de música: estado del arte y temas abiertos" (PDF) . Revista Internacional de Recuperación de Información Multimedia . 1 (3): 173-190. doi : 10.1007 / s13735-012-0004-6 . S2CID 12964479 . Archivado (PDF) desde el original el 21 de julio de 2017 . Consultado el 15 de julio de 2019 .
- ^ Gallego, Antonio-Javier; Calvo-Zaragoza, Jorge (2017). "Eliminación de la línea de personal con codificadores automáticos de selección". Sistemas expertos con aplicaciones . 89 : 138-148. doi : 10.1016 / j.eswa.2017.07.002 . hdl : 10045/68971 .
- ^ Castellanos, Fancisco J .; Calvo-Zaragoza, Jorge; Vigliensoni, Gabriel; Fujinaga, Ichiro (2018). Análisis de documentos de imágenes de partituras musicales con codificadores automáticos de selección (PDF) . XIX Conferencia de la Sociedad Internacional de Recuperación de Información Musical. París, Francia. págs. 256–263. Archivado (PDF) desde el original el 5 de noviembre de 2018 . Consultado el 15 de julio de 2019 .
- ^ Tuggener, Lukas; Elezi, Ismail; Schmidhuber, Jürgen; Stadelmann, Thilo (2018). Detector de cuencas hidrográficas profundas para el reconocimiento de objetos musicales (PDF) . XIX Conferencia de la Sociedad Internacional de Recuperación de Información Musical. París, Francia. págs. 271-278. Archivado (PDF) desde el original el 5 de noviembre de 2018 . Consultado el 15 de julio de 2019 .
- ^ Hajič, Jan jr .; Dorfer, Matthias; Widmer, Gerhard; Pecina, Pavel (2018). Hacia un OMR manuscrito completo con detección de símbolos musicales mediante redes U (PDF) . XIX Conferencia de la Sociedad Internacional de Recuperación de Información Musical. París, Francia. págs. 225–232. Archivado (PDF) desde el original el 5 de noviembre de 2018 . Consultado el 15 de julio de 2019 .
- ^ Pacha, Alexander; Hajič, Jan jr .; Calvo-Zaragoza, Jorge (2018). "Una línea de base para la detección general de objetos musicales con aprendizaje profundo" . Ciencias Aplicadas . 8 (9): 1488–1508. doi : 10.3390 / app8091488 .
- ^ Pacha, Alexander; Choi, Kwon-Young; Coüasnon, Bertrand; Ricquebourg, Yann; Zanibbi, Richard; Eidenberger, Horst (2018). Detección de objetos musicales escritos a mano: 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 . Archivado (PDF) desde el original el 2 de septiembre de 2019 . Consultado el 2 de septiembre de 2019 .
- ^ Pacha, Alexander; Calvo-Zaragoza, Jorge; Hajič, Jan jr. (2019). Aprendizaje de la construcción de gráficos de notación para el reconocimiento óptico de música de canalización completa . 20º Congreso de la Sociedad Internacional de Recuperación de Información Musical (en prensa).
- ^ van der Wel, Eelco; Ullrich, Karen (2017). Reconocimiento óptico de música con modelos convolucionales secuencia a secuencia (PDF) . 18ª Conferencia de la Sociedad Internacional de Recuperación de Información Musical. Suzhou, China.
- ^ Calvo-Zaragoza, Jorge; Rizo, David (2018). "Reconocimiento de música óptica neuronal de punta a punta de partituras monofónicas" . Ciencias Aplicadas . 8 (4): 606. doi : 10.3390 / app8040606 .
- ^ Baró, Arnau; Riba, Pau; Calvo-Zaragoza, Jorge; Fornés, Alicia (2017). Reconocimiento óptico de música por redes neuronales recurrentes . XIV Congreso Internacional de Análisis y Reconocimiento de Documentos. págs. 25-26. doi : 10.1109 / ICDAR.2017.260 .
- ^ Baró, Arnau; Riba, Pau; Calvo-Zaragoza, Jorge; Fornés, Alicia (2019). "Desde el reconocimiento óptico de música hasta el reconocimiento de música manuscrita: una línea de base". Cartas de reconocimiento de patrones . 123 : 1–8. doi : 10.1016 / j.patrec.2019.02.029 . hdl : 10045/89708 .
- ^ Fornés, Alicia; Dutta, Anjan; Gordo, Albert; Lladós, Josep (2013). "Concursos de partituras musicales de 2012: remoción de personal e identificación de escritores". Reconocimiento de gráficos. Nuevas tendencias y desafíos . Apuntes de conferencias en Ciencias de la Computación. Saltador. 7423 : 173-186. doi : 10.1007 / 978-3-642-36824-0_17 . ISBN 978-3-642-36823-3.
- ^ "El sitio web del proyecto SIMSSA" . Universidad McGill. Archivado desde el original el 29 de diciembre de 2019 . Consultado el 14 de julio de 2019 .
- ^ "El sitio web del proyecto Liber Usualis" . Universidad McGill. Archivado desde el original el 18 de octubre de 2018 . Consultado el 14 de julio de 2019 .
- ^ "El sitio web del proyecto Cantus Ultimus" . Universidad McGill. Archivado desde el original el 4 de enero de 2019 . Consultado el 14 de julio de 2019 .
- ^ "El sitio web del proyecto TROMPA" . Consorcio Trompa. Archivado desde el original el 31 de marzo de 2019 . Consultado el 14 de julio de 2019 .
- ^ "El proyecto de conjuntos de datos de OMR (repositorio de Github)" . Pacha, Alejandro. Archivado desde el original el 26 de agosto de 2020 . Consultado el 14 de julio de 2019 .
- ^ Fornés, Alicia; Dutta, Anjan; Gordo, Albert; Lladós, Josep (2012). "CVC-MUSCIMA: una verdad fundamental de las imágenes de partituras musicales manuscritas para la identificación del escritor y la eliminación del personal". Revista Internacional de Análisis y Reconocimiento de Documentos . 15 (3): 243-251. doi : 10.1007 / s10032-011-0168-2 . S2CID 17946417 .
- ^ Hajič, Jan jr .; Pecina, Pavel (2017). El conjunto de datos MUSCIMA ++ para el reconocimiento óptico de música manuscrita . XIV Congreso Internacional de Análisis y Reconocimiento de Documentos. Kyoto, Japón. págs. 39–46. doi : 10.1109 / ICDAR.2017.16 .
- ^ Tuggener, Lukas; Elezi, Ismail; Schmidhuber, Jürgen; Pelillo, Marcello; Stadelmann, Thilo (2018). DeepScores: un conjunto de datos para la segmentación, detección y clasificación de pequeños objetos . 24ª Conferencia Internacional sobre Reconocimiento de Patrones. Beijing, China. doi : 10.21256 / zhaw-4255 .
- ^ Calvo-Zaragoza, Jorge; Rizo, David (2018). Camera-PrIMuS: Reconocimiento de música óptico neuronal de extremo a extremo en partituras monofónicas realistas (PDF) . XIX Conferencia de la Sociedad Internacional de Recuperación de Información Musical. París, Francia. págs. 248-255. Archivado (PDF) desde el original el 5 de noviembre de 2018 . Consultado el 15 de julio de 2019 .
- ^ Calvo-Zaragoza, Jorge; Oncina, José (2014). Reconocimiento de la notación musical basada en lápiz: el conjunto de datos de HOMUS . 22ª Conferencia Internacional sobre Reconocimiento de Patrones. págs. 3038-3043. doi : 10.1109 / ICPR.2014.524 .
- ^ Parada-Cabaleiro, Emilia; Batliner, Anton; Baird, Alice; Schuller, Björn (2017). El conjunto de datos de SEILS: puntuaciones codificadas simbólicamente en notación moderna y temprana para musicología computacional (PDF) . 18ª Conferencia de la Sociedad Internacional de Recuperación de Información Musical. Suzhou, China. págs. 575–581. Archivado (PDF) desde el original el 30 de marzo de 2021 . Consultado el 12 de agosto de 2020 .
- ^ Pacha, Alexander; Eidenberger, Horst (2017). Hacia un clasificador universal de símbolos musicales . XIV Congreso Internacional de Análisis y Reconocimiento de Documentos. Kyoto, Japón. págs. 35–36. doi : 10.1109 / ICDAR.2017.265 .
- ^ "Aruspix" . Archivado desde el original el 2 de noviembre de 2019 . Consultado el 15 de julio de 2019 .
- ^ "Audiveris" . Archivado desde el original el 26 de septiembre de 2019 . Consultado el 15 de julio de 2019 .
- ^ "CANTOR" . Archivado desde el original el 25 de octubre de 2020 . Consultado el 15 de julio de 2019 .
- ^ "Gamera" . Archivado desde el original el 14 de marzo de 2021 . Consultado el 15 de julio de 2019 .
- ^ Coüasnon, Bertrand (2001). DMOS: 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. págs. 215–220. doi : 10.1109 / ICDAR.2001.953786 .
- ^ "OpenOMR" . Archivado desde el original el 14 de junio de 2016 . Consultado el 26 de enero de 2017 .
- ^ "Rodan" . Archivado desde el original el 1 de diciembre de 2020 . Consultado el 15 de julio de 2019 .
- ^ "Información sobre la precisión de capella-scan" . Archivado desde el original el 21 de julio de 2019 . Consultado el 15 de julio de 2019 .
- ^ a b "PhotoScore Ultimate 7" . Archivado desde el original el 6 de septiembre de 2012 . Consultado el 22 de septiembre de 2012 .
- ^ "Noten scannen mit capella-scan - capella-software AG" . www.capella-software.com . Archivado desde el original el 16 de abril de 2019 . Consultado el 24 de noviembre de 2019 .
- ^ FORTE Scan Light Archivado el 22 de septiembre de 2013 en la Wayback Machine.
- ^ "Escaneo de puntuación" . Archivado desde el original el 21 de julio de 2019 . Consultado el 24 de noviembre de 2019 .
- ^ MIDI-Connections SCAN 2.0 Archivado el 20 de diciembre de 2013 en la Wayback Machine.
- ↑ Music Publisher Scanning Edition Archivado el 13 de abril de 2013 en Wayback Machine.
- ^ "NoteScan" . Archivado desde el original el 25 de enero de 2021 . Consultado el 30 de marzo de 2021 .
- ^ "OMeR" . Archivado desde el original el 24 de diciembre de 2013 . Consultado el 6 de octubre de 2013 .
- ^ "PDFtoMusic" . Archivado desde el original el 8 de noviembre de 2015 . Consultado el 13 de noviembre de 2015 .
- ^ "ScorScan" . Archivado desde el original el 20 de diciembre de 2013 . Consultado el 6 de octubre de 2013 .
- ^ "SharpEye" . Archivado desde el original el 14 de agosto de 2010 . Consultado el 20 de agosto de 2010 .
- ^ VivaldiScan Archivado el 24 de diciembre de 2005 en la Wayback Machine.
- ^ SmartScore Archivado el 17 de abril de 2012 en la Wayback Machine.
- ^ "Escáner de partituras | Software de escaneo de partituras SCANSCORE" . SCANSCORE . Archivado desde el original el 19 de diciembre de 2019 . Consultado el 24 de noviembre de 2019 .
- ^ "FORTE 11 Premium" . Notación fuerte . Archivado desde el original el 19 de diciembre de 2019 . Consultado el 19 de diciembre de 2019 .
- ^ iSeeNotes
- ^ NotateMe
- ^ Escáner de notación
- ^ PlayScore 2
- ^ Lector de notas SmartScore
enlaces externos
- Grabación del tutorial ISMIR 2018 "Reconocimiento óptico de música para principiantes"
- Reconocimiento óptico de música (OMR): programas y artículos científicos
- Sistemas OMR (reconocimiento óptico de música) : cuadro completo de OMR (última actualización: 30 de enero de 2007).
Medios relacionados con el reconocimiento óptico de música en Wikimedia Commons