Neste trabalho, propomos um método baseado no Deep-Learning para Audio Inpainting acompanhado de um conjunto de dados com condições de fragmentação aleatórias que se aproximam de situações reais de deficiência. O conjunto de dados foi coletado usando faixas de diferentes gêneros musicais para fornecer uma boa variabilidade de sinal. Nosso melhor modelo melhorou a qualidade de todos os gêneros musicais, obtendo uma média de 12,9 dB de PSNR.
audio_reconstruction/
|----experiments/
| |----model_save/
| |----Attention_UNet-t2.ipynb
| |----Attention_UNet.ipynb
| |----Efficient_UNet_v2.ipynb
| |----FPN_RFB_RefineDet.ipynb
| |----FPN_RFB_RON.ipynb
| |----FPN_RFB_TDM.ipynb
| |----FPN.ipynb
| |----LinkNet.ipynb
| |----Res_Attention_UNet.ipynb
| |----Res_UNet_v2.ipynb
| |----Res_UNet.ipynb
| |----UNet_RFB_FPN.ipynb
| |----UNet_RFB_TDM.ipynb
| |----UNet_v2.ipynb
| |----UNet.ipynb
|
|----lib/
| |----models/
| | |----ARCNN.py
| | |----Attention_FPN_RFB_TDM.py
| | |----Attention_UNet.py
| | |----Attention_UNet_t2.py
| | |----CANDI.py
| | |----Card.py
| | |----Deeper_SRCNN.py
| | |----dnCNN.py
| | |----EDSR_ResNet.py
| | |----FastARCNN.py
| | |----FPN.py
| | |----FPN_RFB_RefineDet.py
| | |----FPN_RFB_RON.py
| | |----FPN_RFB_TDM.py
| | |----FPN_RFB_U_Net.py
| | |----GRes_SE_ResNet.py
| | |----LinkNet.py
| | |----ResNet.py
| | |----Res_ARCNN.py
| | |----Res_Attention_UNet.py
| | |----Res_FastARCNN.py
| | |----Res_FPN_v2.py
| | |----Res_UNet.py
| | |----Res_UNet_v2.py
| | |----Res_UNet_V2_RFB_TDM.py
| | |----SE_ResNet.py
| | |----SRResnet.py
| | |----UNet.py
| | |----UNet_Mandelli.py
| | |----UNet_RFB_FPN.py
| | |----UNet_RFB_TDM.py
| | |----UNet_Sun.py
| | |----UNet_v2.py
| | |----UNet_V2_RFB_TDM.py
| | |----VAE_UNet_v2.py
| |----evaluate.py
| |----jpeg.py
| |----old_utils.py
| |----test.py
| |----utils.py
|
|----.gitignore
|----features_extraction_FMA.ipynb
|----LICENSE
|----requirements.txt
|----README.md
Este projeto foi desenvolvido em Python v3.6.8, com as bibliotecas listadas no arquivo requirements.txt. Para preparar o ambiente basta executar o seguinte comando:
pip install -r requirements.txtOs seguintes notebooks, scripts e modelos foram desenvolvidos para o dataset.
features_extraction_FMA.ipynb: realiza todo processo de fragmentação dos áudios e salva os respectivos espectrogramas.experiments: modulo com os notebooks de treinamentos com os autoencoders testados para a tarefa.lib: modulo com todos os modelos e funcões de avaliação implementadas até então.
Está base de dados é constituida de espectrogramas extraidos de parte de um conjunto de dados chamado Free Music Archive (FMA). O mesmo foi produzido para avaliar várias tarefas de aprendiazado com músicas. Pela facilidade de acesso aos dados e a diversidade de caracteristicas presentes no FMA, utilizou-se o subconjunto 'SMALL' e parte do subconjunto 'MEDIUM' para produção desde.
No total este conjunto é composto por 13.583 áudios de músicas de 16 gêneros com duração de 30 segundos.
Gêneros: Quantidade
Electronic 1637
Experimental 1624
Rock 1608
Hip-Hop 1585
Folk 1518
Instrumental 1349
Pop 1186
International 1018
Classical 619
Historic 510
Jazz 384
Country 178
Soul-RnB 154
Spoken 118
Blues 74
Easy Listening 21
Cada música possui a seguinte configuração de áudio:
Codificador: PCM S16 LE (s16l)
Taxa de amostragem: 16000 Hz
Bits por amostra: 16
Canais: mono
Dado a relação de complexidade de timbres entre os gêneros foi efetuado a seguinte separação de conjuntos:
| Gêneros | Treino | Validação | Teste |
-----------------------------------------------------
| Electronic | 800 | 200 | 637 |
| Experimental | 800 | 200 | 624 |
| Rock | 800 | 200 | 608 |
| Hip-Hop | 800 | 200 | 585 |
| Folk | 800 | 200 | 518 |
| Instrumental | 800 | 200 | 349 |
| Pop | 800 | 200 | 186 |
| International | 800 | 200 | 18 |
| Classical | - | - | 619 |
| Historic | - | - | 510 |
| Jazz | - | - | 384 |
| Country | - | - | 178 |
| Soul-RNB | - | - | 154 |
| Spoken | - | - | 118 |
| Blues | - | - | 74 |
| Easy Listening| - | - | 21 |
-----------------------------------------------------
| TOTAL | 6400 | 1600 | 5583 |
O processo de fragmentação é segmentando em 3 etapas principais, como mostra a seguinte imagem:
Cada áudio gerou um espectrograma na seguinte dimensão de tempo e frequência respectivamente [7500, 128].
Parâmetros do espectrograma:
rate = 16000
frame_length = 256
fft_length = 255
stride = 64
fmin = 0
fmax = 8000
Cada espectrograma foi seguimentado em 58 partes nas dimensões 128x128, gerando os conjuntos nas seguintes dimensões:
y_train:
[371026, 128, 128, 1]
y_val:
[ 92800, 128, 128, 1]
y_test:
[323988, 128, 128, 1]
Vale observar que as 58 partes NÃO remontam um espectrograma 7500x128, visto que a 59ª parte contém uma ínfima representação temporal do áudio completo, e então foi desconsiderado.
Por fim, cara espectrograma passou por uma fragmentação na dimensão temporal, na qual zerou as frequências em pontos aleatorios. Cada espectrograma sofreu uma fragmentação que corresponde entre 10% e 70% das 128 resprensetações temporais produzindo os conjuntos:
X_train:
[371026, 128, 128, 1]
X_val:
[ 92800, 128, 128, 1]
X_test:
[323988, 128, 128, 1]
Os dados foram salvos em arquivos Numpy (.npy), subtipo float 32 bits, o que possibilita o carregamento de partes do conjunto sob demanda, considerando que apenas carregar todos conjuntos de dados para treinamento ja exigiria entorno de 72Gb de memoria RAM
O processo de Audio Inpainting adotado neste trabalho consiste em 2 etapas principais, reconstrução e sintetização. Como descrito na Figura a seguir, o passo de reconstrução consiste em codificar o audio fragmentado em espectrogramas e por conseguinte reconstruir-los atráves de um dos modelos de autoencoders definidos para este projeto. Por fim, a etapa de sintetização é realizada através do algoritmo Griffin-Lim, para transformação do espectrograma reconstruído em onda.
-
FMA, A Dataset For Music Analysis.
-
Griffin-Lim,TensorFlow implementation of Griffin-Lim
