stringtranslate.com

Reconocimiento óptico de música

El reconocimiento óptico de música ( OMR ) es un campo de investigación que investiga cómo leer computacionalmente la notación musical en documentos. [1] El objetivo del 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, también se lo ha llamado, de manera engañosa, " reconocimiento óptico de caracteres musicales ". Debido a diferencias significativas, este término ya no debería usarse. [2]

Historia

Primer escaneo digital publicado de partituras musicales de David Prerau en 1971

El reconocimiento óptico de música a partir de partituras impresas comenzó a fines de la década de 1960 en el Instituto Tecnológico de Massachusetts, 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 que tenía frente a él y acompañar a un cantante en un órgano eléctrico . [6] [7]

Las primeras investigaciones sobre 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 OMR comercial, MIDISCAN (ahora SmartScore ), fue lanzada en 1991 por Musitek Corporation.

La disponibilidad de teléfonos inteligentes con buenas cámaras y suficiente potencia computacional, abrió el camino a soluciones móviles donde 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 se relaciona con otros campos de investigación, como la visión artificial , el análisis de documentos y la recuperación de información musical . Es relevante para los músicos y compositores en ejercicio que podrían utilizar sistemas OMR como un medio para introducir música en la computadora y, de este modo, facilitar el proceso de composición , transcripción y edición musical. En una biblioteca, un sistema OMR podría permitir la búsqueda de partituras musicales [8] y, para los musicólogos, permitiría realizar estudios musicológicos cuantitativos a gran 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 con características. Esto significa que, si bien el alfabeto consta de primitivos bien definidos (por ejemplo, plicas, cabezas de notas o corchetes), es su configuración (cómo se colocan y organizan en el pentagrama) lo que determina la semántica y cómo debe interpretarse.

La segunda distinción importante es el hecho de que, mientras que un sistema OCR no va más allá de reconocer letras y palabras, se espera que un sistema OMR también recupere la semántica de la música: el usuario espera que la posición vertical de una nota (concepto gráfico) se traduzca en el tono (concepto musical) aplicando las reglas de la notación musical. Observe 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 complicado como recuperar el código fuente HTML de la captura de pantalla de un sitio web .

La tercera diferencia proviene del conjunto de caracteres utilizado. Aunque los sistemas de escritura como el chino tienen conjuntos de caracteres extraordinariamente complejos, el conjunto de caracteres primitivos para OMR abarca una gama mucho mayor de tamaños, que van desde elementos diminutos como un punto hasta elementos grandes que potencialmente abarcan una página entera como una llave. Algunos símbolos tienen una apariencia casi ilimitada como las ligaduras, que solo se definen como curvas más o menos suaves que pueden interrumpirse en cualquier lugar.

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

Enfoques de la OMR

Extracto del Nocturno Op. 15 , n.º 2, de Frédéric Chopin: desafíos encontrados en el reconocimiento óptico de música

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

Se han propuesto muchos enfoques que compiten entre sí, y la mayoría de ellos comparten una arquitectura de canalización, en la que cada paso de esta canalización realiza una determinada operación, como detectar y eliminar líneas de pentagrama antes de pasar a la siguiente etapa. Un problema común con ese enfoque es que los errores y artefactos que se cometieron 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 líneas de pentagrama no logra identificar correctamente la existencia de los pentagramas musicales, los pasos posteriores probablemente ignorarán esa región de la imagen, lo que provocará que falte información en el resultado.

El reconocimiento óptico de música se subestima con frecuencia debido a la naturaleza aparentemente sencilla del problema: si se cuenta con un escaneo perfecto de música tipográfica, el reconocimiento visual se puede resolver con una secuencia de algoritmos bastante simples, como proyecciones y comparación de plantillas. Sin embargo, el proceso se vuelve significativamente más difícil para escaneos deficientes o música escrita a mano, que muchos sistemas no logran reconocer en absoluto. E incluso si se hubieran detectado todos los símbolos 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 sostienen que el reconocimiento óptico de música 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 gran 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 habitual de crear dicha versión es mediante la generación de 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 dispusieron las notas) ni de ortografía enarmónica .

Si se reconocen las partituras con el objetivo de que sean legibles para el ser humano (lo que se denomina reimpresión), 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 .

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

Marco general (2001)

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

En 2001, David Bainbridge y Tim Bell publicaron su trabajo sobre los desafíos de la OMR, donde revisaron investigaciones anteriores y extrajeron un marco general para la 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. 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 perfeccionado (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 las técnicas de 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 todavía se utiliza en la actualidad (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 de 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 y características diseñadas a mano al 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 sido intentos exitosos de resolverlos con aprendizaje profundo.

Incluso se han propuesto enfoques completamente nuevos, incluida la solución de OMR de manera integral 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 eliminación de personal

Para los sistemas desarrollados antes de 2016, la detección y remoción de personal representaba un obstáculo importante. Se organizó una competencia científica para mejorar el estado del arte y avanzar en 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, disponible gratuitamente y desarrollado 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 con el 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. Varios subproyectos ya se han completado con éxito, incluidos el Liber Usualis [28] y el Cantus Ultimus [29] .

Trompeta

Towards Richer Online Music Public-domain Archives (TROMPA) es un proyecto de investigación internacional, patrocinado por la Unión Europea, que investiga cómo hacer que los recursos de música digital de dominio público sean más accesibles. [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, por razones legales y posibles violaciones de derechos de autor, resulta complicado compilar y publicar un conjunto de datos de este tipo. Los conjuntos de datos más notables para OMR están referenciados y resumidos por el proyecto OMR Datasets [31] e incluyen los conjuntos de datos CVC-MUSCIMA, [32] MUSCIMA++, [33] DeepScores, [34] PrIMuS, [35] HOMUS, [36] y 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] al utilizar 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 en casos musicales que rara vez ocurren en el repertorio real, lo que en última instancia resultó (según las afirmaciones de la empresa) en un reconocimiento de música 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 solo unos pocos de los cuales alcanzaron un estado maduro y se implementaron con éxito para los usuarios. Estos sistemas incluyen:

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 tener 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 que sea casi imposible verificarlas y comparar diferentes sistemas OMR.

Aplicaciones móviles

Las mejores cámaras y el aumento de la potencia de procesamiento han hecho posible la aparición de una serie de aplicaciones móviles, tanto en Google Play Store como en Apple Store. Con frecuencia, el enfoque se centra en la lectura a primera vista (véase lectura a primera vista ), es decir, en convertir la partitura en sonido que se reproduce en el dispositivo.

Véase también

Referencias

  1. ^ Pacha, Alexander (2019). Reconocimiento óptico de música mediante autoaprendizaje (PhD). TU Wien, Austria. doi :10.13140/RG.2.2.18467.40484.
  2. ^ ab Calvo-Zaragoza, Jorge; Hajič, Jan jr.; Pacha, Alexander (2020). "Entendiendo el reconocimiento óptico de música". Encuestas de computación de ACM . 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 desde el original el 21 de diciembre de 2021 . Consultado el 24 de junio de 2021 .
  4. ^ Pruslin, Dennis Howard (1966). Reconocimiento automático de partituras musicales (PhD). Instituto Tecnológico de Massachusetts, Cambridge, Massachusetts, EE. UU.
  5. ^ Prerau, David S. (1971). Reconocimiento de patrones informáticos de 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 . Tercer Taller Internacional sobre Bibliotecas Digitales para Musicología. págs. 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 . 5.ª Conferencia internacional sobre bibliotecas digitales para musicología. París, Francia. págs. 57–61.
  10. ^ abc 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 . Consultado el 23 de febrero de 2017 .
  11. ^ ab 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 musical nueva . 44 (3): 169–195. doi :10.1080/09298215.2015.1045424.
  12. ^ Byrd, Donald (noviembre de 2017). "Galería de notación musical interesante". indiana.edu . Consultado el 14 de julio de 2019 .
  13. ^ Byrd, Donald (octubre de 2018). "Extremos de la notación musical convencional". indiana.edu . Consultado 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 pentagramas con codificadores automáticos 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 codificadores automáticos de selección (PDF) . 19.ª Conferencia de la Sociedad Internacional de Recuperación de Información Musical. París, Francia. pp. 256–263 . Consultado el 15 de julio de 2019 .
  17. ^ Tuggener, Lukas; Elezi, Ismail; Schmidhuber, Jürgen; Stadelmann, Thilo (2018). Detector de cuencas profundas para el reconocimiento de objetos musicales (PDF) . 19.ª Conferencia de la Sociedad Internacional para la Recuperación de Información Musical. París, Francia. págs. 271–278 . Consultado el 15 de julio de 2019 .
  18. ^ Hajič, Jan jr.; Dorfer, Matthias; Widmer, Gerhard; Pecina, Pavel (2018). Towards Full-Pipeline Handwritten OMR with Musical Symbol Detection by U-Nets (PDF) . 19.ª Conferencia de la Sociedad Internacional de Recuperación de Información Musical. París, Francia. págs. 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 escritos a mano: problemas abiertos y resultados de referencia (PDF) . 13.º Taller internacional sobre sistemas de análisis de documentos. págs. 163–168. doi :10.1109/DAS.2018.51 . Consultado el 2 de septiembre de 2019 .
  21. ^ Pacha, Alexander; Calvo-Zaragoza, Jorge; Hajič, Jan jr. (2019). Construcción de gráficos de notación de aprendizaje para reconocimiento de música óptica de canal completo (PDF) . 20.ª Conferencia de la Sociedad Internacional de Recuperación de Información Musical . Consultado 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 de la Sociedad Internacional de 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. 25-26. 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). "Los concursos de partituras musicales de 2012: eliminación de pentagramas e identificación de autores". En Young-Bin Kwon; Jean-Marc Ogier (eds.). Reconocimiento de gráficos. Nuevas tendencias y desafíos . Apuntes de clase en informática. Vol. 7423. Springer. págs. 173–186. doi :10.1007/978-3-642-36824-0_17. ISBN . 978-3-642-36823-3.
  27. ^ "Proyecto de interfaz única para búsqueda y 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 unos archivos de dominio público de música en línea más ricos". trompamusic.eu . Consultado el 14 de julio de 2019 .
  31. ^ Pacha, Alexander. "Conjuntos de datos de reconocimiento de música óptica". 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 las imágenes de partituras musicales manuscritas para la identificación del autor y la eliminación del pentagrama". Revista internacional sobre 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. págs. 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 neuronal de extremo a extremo en partituras monofónicas realistas (PDF) . 19.ª Conferencia de la Sociedad Internacional de Recuperación de Información Musical. París, Francia. pp. 248–255 . Consultado el 15 de julio de 2019 .
  36. ^ Calvo-Zaragoza, Jorge; Oncina, Jose (2014). Reconocimiento de notación musical basada en lápiz: el conjunto de datos HOMUS . 22.ª Conferencia Internacional sobre Reconocimiento de Patrones. págs. 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 de la Sociedad Internacional de Recuperación de Información Musical. Suzhou, China. págs. 575–581 . Consultado 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. págs. 35–36. doi :10.1109/ICDAR.2017.265.
  39. ^ ab "Maestría". newzik.com . Newzik . Consultado el 24 de junio de 2021 .
  40. ^ Apprendre le solfège à des algoritmos con Marie Chupeau, chercheuse en inteligencia artificial. 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 de inicio)". waikato.ac.nz . Consultado el 15 de julio de 2019 .
  44. ^ "Complemento Gamera: MusicStaves Toolkit". 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. ^ "Corchea en silencio o mancha". capella-software.com . capella-software AG . Consultado el 15 de julio de 2019 .
  50. ^ ab "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. ^ ab "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. ^ "Nightingale". ngale.com . Soluciones de notación musical avanzadas. 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 de Soundslice". soundslice.com . Soundslice . Consultado el 17 de diciembre de 2022 .
  61. ^ "Escaneo de PDF y fotos con Soundslice (versión 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. ^ "Notation Scanner". apps.apple.com . Apple Inc. 23 de marzo de 2020 . Consultado el 24 de junio de 2021 .
  66. ^ "Puntuación de reproducción 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 .

Enlaces externos

Medios relacionados con Reconocimiento óptico de música en Wikimedia Commons