نمایه‌سازی صوتی

پیدا کردن یک قطعه آهنگ با شنیدن بخشی از آن، نیاز به نمایه‌سازی مجموعه آهنگ‌ها دارد، درست مثل جستجوی واژه‌ها.

مقدمه

حتماً بارها شده که توی تاکسـی، توی کافه، یا توی یک مهمانی نشستیـد و آهنگی که پخش می‌شود سخت ذهن شما رو درگیر این مسئـله می‌کنـد که اسم این آهنگ یا خواننده چیسـت ولی هیچ راهی برای فهمیدن این مسئله ندارید. در این صورت کافیست چند ثانیه از آهنگ را برای برنامه پخش کنید تا اطلاعاتی مثل نام آهنگ و نام آلبوم و نام خواننده و ... را در اختیار شما بگذارد. نرم افزار های موبایل در این زمینه پیشرفت قابل توجهی داشته اند به گونه ای که امروزه نرم افزار هایی مانند shazam ، soundhound و ... بر روی اکثر گوشی ها نصب شده و میلیون ها کاربر در سرتاسر دنیا از امکانات آنها از جمله همین پیدا کردن اطلاعات آهنگ مورد علاقه شان استفاده می کنند.

تصویر 0

در این سیستم قطعه های کوتاه آهنگ ( معمولاً بین 3 تا 30 ثانیه ) که قسمتی از آهنگ مورد نظر کاربر می باشد به عنوان ورودی نمایه سازی می شود و این نمایه با پایگاه داده ای که شامل نمایه هایی از آهنگ های شناخته شده توسط برنامه می باشد، مقایسه شده تا آهنگ مورد نظر شناسایی شود.

وجود نویز، سرعت پخش قطعه و ... از جمله مشکلاتی است که در روند نمایه سازی ورودی کاربر وجود دارد. همچنین در مرحله ی نمایه سازی صوتی از آهنگ ها و به دنبال آن ایجاد پایگاه داده ، با مشکل حجم زیاد نمونه در آهنگ ها مواجه هستیم.

طبق استاندارد ایزو ۵۹۶۳، عمل توصیف یا شناسایی محتوای موضوعی یک مدرک را نمایه‌سازی گویند. به عبارت دیگر، نمایه‌سازی یعنی تخصیص واژه‌ها یا اصطلاحات به مدارک به منظور توصیف محتوای موضوعی آنها برای بازیابی در مراحل بعد. هدف نمایه‌سازی اصولاً آماده کردن مدرک برای بازیابی است.

به طور کلی ساختار یک سیستم نمایه سازی صوتی به صورت زیر می باشد:

تصویر نمایه سازی

حل مساله نمایه سازی صوتی شامل دو قسمت اصلی می باشد : 1- استخراج نمایه ها 2- الگوریتم تطبیق نمایه ها

در بخش استخراج نمایه ها با توجه به اینکه نمونه های ما سیگنال ها می باشد می توانیم با تبدیل سریع فوریه بر روی پنجره های کوچک زمانی در نمونه های آهنگ، طیف نگاره (spectrograms) آهنگ مورد نظر را بدست آوریم. سپس در طیف نگاره نقاط peak ( زوج مرتبی از زمان و فرکانس که دارای فراوانی بیشتر در یک همسایگی است ) را مشخص می کنیم و در نهایت با نگاه کردن به نقاطpeak طیف نگاره و ترکیب فرکانس نقاط همراه با تفاوت زمان بین آنها، می توانیم یک تابع hash تعریف کنیم که یک نمایه منحصر به فرد برای آهنگ ایجاد کند.
در این قسمت پایگاه داده ی ما دارای 2 جدول، یکی برای آهنگ و اطلاعات مربوط به آن و دیگری برای نمایه ها.
در جدول مربوط به نمایه ها علاوه بر hash و id مربوط به آهنگ یک offset هم وجود دارد که به پنجره ی زمانی طیف نگاره مربوط است و در بخش بعدی ( تطبیق نمایه ها ) مورد استفاده قرار می گیرد.

در بخش دوم از تکنیک های بازیابی اطلاعات برای تطبیق نمایه ها و جستجوی آهنگ مورد نظر استفاده می شود و همچنین می توان در این بخش از offset نمایه ها کمک گرفت به این صورت که تفاوت بین offset نمایه های موجود در پایگاه داده و قطعه آهنگ ورودی میتواند معیاری برای ارزیابی و یافتن آهنگ مورد نظر باشد.

کارهای مرتبط

مفهوم نمایه سازی سیستم ها بیش از 100 سال است که وجود دارد. نمایه سازی صوتی در سال های اخیر بسیار مورد توجه قرار گرفته است. برنامه هایی از جمله soundhound و shazam به گونه ای طراحی شده که می تواند بر روی گوشی موبایل اجرا شود و در مکان های عمومی مانند ماشین برای تشخیص آهنگ مورد استفاده قرار بگیرد. شرکت دیگری با نام gracenote نیز برنامه ای مشابه در این زمینه ارائه داده که از کاربرد های آن در تشخیص صدا و طراحی سیستم ارتباطی داخل ماشین (Ford’s SYNC in-car communications system ) می باشد.

وجود مشکلاتی از قبیل وجود نویز، سرعت پخش متفاوت و ... باعث شده تا تلاش برای بهبود الگوریتم های موجود ادامه یابد تا با وجود این مشکلات، همچنان بهترین پاسخ در کمترین زمان به کاربر داده شود و به در راستای همین هدف طی سال های اخیر مقاله هایی در رابطه بهبود الگوریتم های موجود در این زمینه ارائه شده است.

ساده ترین راه که به ذهن هر فردی میرسد مقایسه مستقیم شکل موج دیجیتال شده می باشد. برای پیاده سازی این روش از متد hash ( مانند MD5 یا CRC ) برای بدست آوردن یک نمونه از یک فایل باینری استفاده می شود و در نهایت به جای مقایسه کل یک فایل تنها نمونه به دست آمده را ( مقادیر hash ) مقایسه می کنیم. با توجه به اینکه این hash ها با اضافه شدن تنها یک بیت می توانند به کلی تغییر کنند این روش بر بیت های فایل تکیه دارد و نمی تواند روش خوبی باشد. این مشکل باعث شد تا به جای استفاده از تکنیک فوق، روش هایی که با عنوان content-based identification مطرح هستند به کار گرفته شوند.

بساختار کلی یک Content-based Audio Identification به صورت زیر است :

تصویر1

با توجه به شکل بالا قسمت بدست آوردن نمایه ها شامل دو بخش Front-end و Fingerprint modeling است.

در بخش Front-end یک سیگنال صوتی به مجموعه ای از ویژگی های مرتبط با سیگنال تبدیل می شودو مجموعه ای از رویه ها جهت کاهش اندازه، بدست آوردن پارامترهای ادراکی، قویتر کردن سیگنال اصلی (مانند حذف نویز) و... بر روی سیگنال اعمال می شوند.
شکل زیر روند کلی این بخش را نشان داده و کنار هر رویه انواع الگوریتم هایی که برای پیاده سازی آن موجود هستند را بیان کرده است :

تصویر2

در ایجا به طور مختصر به توضیح هر کدام از رویه های ذکر شده در شکل فوق می پردازیم:

مرحله Preprocessing : در ابتدا سیگنال در صورت نیاز دیجیتال شده و به یک فرمت عمومی تبدیل می شوند. گاهی اوقات یک صوت برای شبیه سازی یک کانال نیز پیش پردازش می شود.

مرحله Framing & Overlap : سیگنال به فریم هایی با سایز قابل تغییر تقسیم می شوند و برای اطمینان بیشتر فریم های متوالی همپوشانی نیز دارند. ( نرخ تعداد فریم در هر ثانیه و درصد همپوشانی در پیچیدگی سیستم تاثیر گذار است )

مرحله Transform : در این مرحله در صورت انتخاب تبدیل مناسب، میزان افزونگی (داده هایی زائد مانند نویز) کاهش میابد. تبدیلی به کار برده شده در این بخش معمولاً تبدیل فوریه است.(از سایر تبدیل ها مانند DCT نیز می توان استفاده کرد)

مرحله Feature Extract : در این مرحله نیز سعی بر کاهش سایز و نویز می باشد و برای این مسئله الگوریتم های زیادی مطرح شده است. برای مثال الگوریتم MFCC ( ابتدا log و سپس DCT ) ، الگوریتم SFM ( برآورد صدا یا نویز بودن برای هر بخش از یک طیف )

مرحله Post-Processing : برای بهتر مشخص شدن تغییرات زمانی می توان مشتقات بالاتر بر حسب زمان را به سیگنال مورد نظر اضافه کرد. همچنین با کوانتیزه کردن می توان میتوان سیگنال را در برابر تحریف مقاوم کرد.

در نهایت هم توالی از بردارهای ویژگی توسط Fingerprint Modeling دریافت شده و با توجه به نوع ایندکس کردن و روش هایی که می خواهیم در بازیابی اطلاعات استفاده کنیم یک مدل (بردار) را جهت ذخیره سازی در ساختمان داده انتخاب کرده وپس از انجام محاسباتی بر روی بردار های ورودی به این قسمت، سیگنال مورد نظر را به صورت یک مدل (معمولا برداری است که عناصر آن با توجه به روش مورد استفاده تعیین می شود) ذخیره می کنیم.

پس از بدست آمدن نمایه ها نوبت به تطبیق می رسد. (Matching) برای یافتن فاصله بین بردار های ویژگی در صورتی که کوانتیزه باشند می توان از الگوریتم Manhattan distance استفاده کرد همچنین برای بردار ها الگوریتم Nearest Neighbor را نیز می توان به کار برد. (با توجه به مدلی که نمایه ها ذخیره شده اند الگوریتم های دیگری نیز جهت تعیین فاصله وجود دارند)
پس از مقایسه و دادن امتیاز، در آخرین مرحله که Hypothesis Testing نام دارد باید مرزی تعیین شود که اگر امتیاز بدست آمده از آن مرز بیشتر بود پاسخ قابل قبول است. تعیین این مرز آسان نیست چرا که به مدل نمایه ها ، شباهت نمایه های داخل ساختمان داده، اندازه ساختمان داده و... بستگی دارد.

در آخر باید گفت مراحل گفته شده در بالا ممکن است همگی در کنار هم پیاده سازی نشود و مهمترین نکته این است که در زمان ساخت ساختمان داده و ایندکس کردن طوری این کار را انجام دهیم که در هنگام جستجو که به صورت آنلاین اجرا میشود، در کمترین زمان به بهترین جواب برسیم.

پیاده سازی

Audio-Fingerprinting

در پیاده سازی این برنامه 6 فایل اصلی وجود دارد که در ادامه به طور مختصر به بیان عمل آنها می پردازیم:

  • database.py

کلاس Database در این فایل تعریف شده که برای کار با پایگاه داده (استخراج یا افزودن اطلاعات به آن) می باشد.(تنها شمای کلی کلاس در این فایل موجود است)

  • database_sql.py

کلیه توابع تعریف شده در کلاس Database که شمای آن در database.py موجود بود در این قسمت پیاده سازی شده است. پایگاه داده مورد استفاده MySql می باشد. همچنین در انتهای این فایل کلاس cruser جهت اتصال به پایگاه داده تعریف شده است.

  • decoder.py

این بخش کار با فایل و استخراج اطلاعات از فایل های صوتی را بر عهده دارد. تابع ()find_files فایل های صوتی موجود در فولدری که آهنگ ها در آن قرار دارند را می دهد. تابع ()read با استفاده از کتابخانه ی pydub اطلاعات موجود در فایل صوتی را استخراج کرده و به صورت آرایه ای از channel ها برمیگرداند.

  • fingerprint.py

وظیفه ی اصلی ساخت نمایه ها به این قسمت مربوط است. 3 کتابخانه ی اصلی استفاده شده در این بخش matplotlib ، numpy و scipy جهت ساخت spectoram برای هر channel از یک فایل صوتی و پردازش آن است. تابع ()fingerprint با اعمال تبدیل فوریه بر روی پنجره های کوچک زمانی تعریف شده بر روی channel ها، نمودار spectrogram را می دهد که پس از اعمال log بر روی نمودار و یافتن نقاط ماکزیمم محلی (نقاط پیک)، این نقاط را برای ساختن hash ارسال می کند.

تابع ()get_2D_peaks با اعمال فیلتر ماکسیمم نقاط پیک را تعیین می کند و تابع ()generate_hashes با دریافت نقاط پیک و یافتن فرکانس ها و زمان ها، با استفاده از کتابخانه hashlib ساختن hash ها را انجام می دهد.

  • recognize.py

وظیفه ی این قسمت دریافت آهنگ ورودی است که برای این منظور کلاس MicrophoneRecognizer طراحی شده است. همچنین کلاس BaseRecognizer یک کلاس پایه است که تابع ()recognize_ آن، با استفاده از تابع های ()find_matches و ()align_matches اقدام به جستجو در پایگاه داده و یافتن جواب می کند.

  • init.py

فایل اصلی که مدیریت کلیه فایل ها را بر عهده دارد. در این فایل کلاس FingerMusics وجود دارد که برای هر شئ از این کلاس اقدام به بدست آوردن اطلاعات موجود در پایگاه داده ها می کند. دو تابع ()fingerprint_directory و ()fingerprint_file به ترتیب برای ایجاد نمایه ها از آهنگ های موجود در یک فولدر و یا ایجاد نمایه تنها برای یک آهنگ ورودی و در نهایت ثبت آنها در پایگاه داده می باشد. هر دو این توابع برای آهنگی که در پایگاه داده موجود نباشد تابع ()_fingerprint_worker را فراخوانی می کنند که این تابع پس از بدست آوردن channel های هر آهنگ (با استفاده از تابع ()read در decoder.py) و فراخوانی تابع ()fingerprint از فایل fingerprint.py ، نمایه ها را بدست می آورد.

تابع ()find_matches از کلاس FingerMusics پس از نمایه سازی آهنگ ورودی، hash های مشابه را از پایگاه داده استخراج میکند. و در آخر تابع align_matches، hash های مشابه یافت شده را دسته بندی می کند و هر آهنگی که تعداد بیشتری hash از آن در hash های مشابه وجود داشته باشد امتیاز بیشتری میگیرد (این امتیاز در خروجی به عنوان confidence یعنی درجه اطمینان نمایش داده می شود) و هر آهنگی که امتیاز بیشتری داشت به عنوان خروجی انتخاب می شود.

آزمایش‌ها

در این پروژه تمرکز بیشتر به بخش ایجاد نمایه ها می باشد به گونه ای که حجم نمایه های تولید شده، بیش از حد زیاد نباشد و همچنین به گونه ای این نمایه ها تعیین شوند که هنگام جستجو بتوان بهترین نتیجه را نمایش داد.

ایجاد نمایه ها به صورت offline انجام می شود بنابراین زیاد بودن زمان تولید نمایه ها تا حدی قابل چشم پوشی است همچنین در بخش جستجو که به صورت online انجام می شود گرچه پارامتر زمان با زیاد شدن تعداد آهنگ ها اهمیت زیادی پیدا می کند و استفاده از تکنیک های بازیابی اطلاعات می تواند کمک زیادی کند اما در این پروژه بیشتر تاکید بر صحیح بودن جواب بازگشتی در شرایط مختلف همچون وجود نویز و یا کوتاه بودن زمان پخش آهنگ است.

آزمایش 1:

برای بررسی عملکرد کد، 40 آهنگ را به عنوان ورودی به آن داده و برنامه در زمان 3800 ثانیه نمایه سازی را انجام داده و نتایج را در پایگاه داده ذخیره می کند.

حجم آهنگ ها (mp3) حجم نمایه ها در پایگاه داده
186.9MG 238MG

برای بررسی اینکه آهنگ ورودی کاربر حداقل چند ثانیه باشد تا برنامه جواب درست را بدهد تعدادی آزمایش انجام داده و نتایج آن مطابق جدول زیر است: (البته باید در نظر داشت علاوه بر مدت پخش آهنگ ورودی، محتوای آن نیز تاثیر دارد برای مثال ورودی ثانیه 4 تا 6 آهنگ و یا ثانیه 10 تا 12 باشد)

مدت پخش (ثانیه) تعداد آزمایش ها تعداد جواب های صحیح دقت برنامه (درصد)
2 20 12 %60
3 20 18 %90
4 20 19 %95
5 20 20 %100
6 20 20 %100

با بیشتر کردن تعداد آزمایش ها در جدول بالا قطعاً به نتایج بهتری می رسیم. با این وجود از جدول فوق می توان این موضوع را دریافت که زمان5 یا 6 ثانیه زمان مناسبی است و برنامه جواب قابل قبولی می دهد. پس از این نوبت به بررسی تاثیر نویز روی جواب است که برای این کار همزمان با پخش آهنگ ورودی، یک فایل صوتی دیگر را پخش می کنیم و volume آن را (صدای نویز) را هربار افزایش می دهیم با این کار مقدار کمیت بازگشتی confidence که میزان اطمینان برنامه از درست بودن جواب را نشان می دهد کاهش می یابد. این برنامه حتی هنگام پخش 2 آهنگ متفاوت که هر دو در پایگاه داده موجود هستند برای اختلاف volume تقریبا 15 جواب درست را در 95% مواقع می دهد که نشان از میزان مطلوبیت آن است.

این نکته را نیز باید در نظر داشت که کلیه آزمایش ها هم با وسایل با کیفیت پخش نسبتاً خوب انجام شده و هم کیفیت خود آهنگ ها مطلوب بوده است که تغییر کیفیت این موارد می تواند بر روی جواب تاثیر داشته باشد.

آزمایش 2: (بهینه سازی)

هنگام نمایه سازی آهنگ ها اعمال الگوریتم maximum_filter برای یافتن نقاط peak ، بیشترین زمان را میگیرد به گونه ای که بدون اعمال این فیلتر ، زمان لازم برای ایجاد نمایه ها تقریباٌ 0.1 میشود اما در کنار این موضوع، عدم استفاده از این فیلتر نیز حجم hash ساخته شده برای هر آهنگ را 10 برابر می کند که بسیار نامطلوب است. در فایل fingerprint2.py کلیه نقاط برای بدست آمدن hash استفاده شده در حالی که در fingerprint1.py با اعمال maximum_filter برای یافتن نقاط زمان مورد نیاز برای ساخنت نمایه ها افزایش یافته و در عین حال حجم نمایه ها کاهش می یابد.

در فایل fingerprint.py پیاده سازی فیلتر میان گذر (bandpass filter) فرکانس سیگنال ها در بازه ی 318-2000 هرتز قرار می دهد که اعمال آن باعث کاهش زمان نمایه سازی برای هر آهنگ در حدود 2-3 ثانیه شده و همچنین در نتایج آزمایش 1 که در آن ثابت شد این برنامه با شنیدن حداقل 6 ثانیه از آهنگ قادر به تشخیص آن است تغییری ایجاد نکرده و همواره بهترین جواب نمایش داده می شود.

کارهای آینده

نمایه سازی نه تنها در صوت بلکه در موضوعات بسیاری همچون تصویر و ... می تواند استفاده شود. آنچه در ساخت این نمایه ها اهمیت زیادی دارد این است که علاوه بر حجم کم حاوی اطلاعات مفیدی باشد که هنگام جستجو به نتیجه مطلوب برسیم. با توجه به این مطالب بهبود الگوریتم های موجود هنگام افزایش داده ها اهمیت زیادی پیدا می کند. علاوه بر این با افزایش حجم داده ها بهبود الگوریتم های بازیابی اطلاعات نیز پارامتر مهمی محسوب می شود.

در مورد این پروژه که با داده های کمتری مورد آزمایش قرار گرفته زمان لازم برای ساختن نمایه ها کمی زیاد است که البته با توجه به اینکه ساخت نمایه ها در مرحله ای جداگانه انجام میگیرد و در زمان جستجو کاربر تاثیر نمی گذارد این مطلب تا حدی قابل چشم پوشی است اما می توان با گسترش الگوریتم های موجود و همچنین اعمال فیلتر های بیشتر بر روی آهنگ ها (با در نظر گرفتن این نکته که ویژگی های اصلی نمایه ها حذف نشود) زمان ساخت نمایه ها را کاهش داد همچنین در زمان جستجو اطلاعاتی بیشتر از اسم آهنگ و نام خواننده مانند متن آهنگ، سال انتشار آهنگ و ... نمایش داده شود.

استفاده از الگوریتم های جدیدتر همچون robust hash نیز می تواند در سرعت ذخیره و بازیابی اطلاعات تاثیر بسزایی داشته باشد.

مراجع

  • Wang, Avery. "An Industrial Strength Audio Search Algorithm." ISMIR. 2003.

  • A Review of Algorithms for Audio Fingerprinting (P. Cano et al. In International Workshop on Multimedia Signal Processing, US Virgin Islands, December 2002)

  • Hatch, Wes., "A Quick Review of Audio Fingerprinting." March 2003.

  • HA Van Nieuwenhuizen, WC Venter, MJ Grobler. "The Study and Implementation of Shazam's Audio Fingerprinting Algorithm for Advertisement Identification."2012.

  • HA van Nieuwenhuizen, WC Venter, LMJ Grobler. “Comparison of Algorithms for Audio Fingerprinting.”2010

  • Pavel Golik, Boulos Harb, Ananya Misra, Michael Riley, Alex Rudnick, Eugene Weinstein. "MOBILE MUSIC MODELING, ANALYSIS AND RECOGNITION".2012

پیوندهای مفید

علیرضا نوریان

خوب بود. کار کردن با صدا کمی پیچیده است، امیدوارم با مطالعه مراجع و همچنین مراجع مراجع کارتون جلو بره.

رد شده

بعضی از حاهاش کمی نامفهوم بود که اونم احتمالا مشکل از منه :دی ولی در کل خوب بود

علیرضا نوریان

در مراجعی که ذکر کردید، لابد شیوه‌های حل این مساله به شکلهای مختلف توضیح داده شده. اینکه از یک پیاده‌سازی آماده استفاده کنید، بد نیست ولی خب شما باید این کدها رو متوجه بشید و ازشون خروجی بگیرید و بهترشون کنید و ...

تایید شده

مطالب و توضیحات داده شده حاکی از تسلط شما بر موضوع پروژه دارد، در آزمایش و پیاده سازی تقریبا کامل عمل کردید .
میتوانستید با عکس های بیشتری متن خود را جذاب کنید (مثلا عکسی از برنامه ی شزام در حال پیدا کردن آهنگ بگذارید)
میتوانید با مراجع بیشتری (شما با کمک شش مرجع این پروژه را پیاده سازی کردید ) محتوای این پروژه را ارتقا دهید.
فهم مطالب به راحتی امکان پذیر نبود (مثلا کلمه ی نمایه مبهم و نیاز به توضیح دارد یا مثلا پنجره های کوچک زمانی ) علت آن نبودن تخصص این موضوع در حوزه ی دانش بنده می باشد .
موفق باشید

رد شده

با سلام و خسته نباشید،
از نظر من روی پروژه به خوبی کار کرده و تمام قسمت ها را به خوبی انجام داده اید. در قسمت ازمایش به ضورت خلاصه ،نتایج ازما یش بیان کرده و از نظر من این یکی از مزیت های بسیار خوب در پروژه شما است. در قسمت تعداد ازمایش بهتر بود که تعداد ازمایش روی داده های بیشتری انجام می دادید در این صورت میزات کارایی الگوریتم بهتر معلوم می شد.

تایید شده

+پیاده سازی و توضیحات آن بسیار کامل بود!
+آزمایش ها به خوبی انجام شده اند و نتایج بسیار شیوا هستند.
+کد بسیار تمیز و خواناست.
-اصطلاحات انگلیسی زیاد استفاده شده است!

نحوه انجام و پیاده سازی پروژه بسیار خوب است و استحقاق نمره ۵ را دارد!

تایید شده

با سلام،

  • اخیرا توی یک شرکتی، داشتن برای ایرانسل یک مسابقه رو برنامه‌نویسی می‌کردن که مردم زنگ بزنن به یه شماره‌ای و یه تیکه از یه آهنگ رو بخونن، بعد قرار بود به کسی که خوندنش شبیه‌تر باشه به خواننده جایزه بدن. نمی‌دونم به این موضوع هم نمایه سازی می‌گن یا نه ولی با توضیحات شما فکر می‌کنم میشه یه همچین کاری کرد.(نیاز به جداسازی صدای خواننده از آهنگ داره که با توجه به کیفیت بالای آهنگ‌های جدید‌تر، کار سختی به نظر نمی‌رسه) جالب میشه اگه در آینده کارتونو در قالب یه اپلیکشن موبایل یا یک وبسایت با این ایده، ادامه بدین.
    یا مثلا الان موتور های معروف جستجوی موسیقی(که البته با زدن اونا سایت بسیار زیبای پیوندها رو می‌بینین) با جستجو متنی در موسیقی کار می‌کنن. اگر بشه یه موتور جستجویی راه انداخت که با خوندن یه بخشی از یه موسیقی بتونه آهنگ مورد نظرشو پیدا کنه خیلی جالب میشه. البته این کار، احتمالا خیلی سخته.

  • لطفا مقدمه‌ی متن‌تان را بازنویسی کنید! توی مقدمه‌، تا تهِ کار رو به شکلی پیچیده گفتین!

  • یک‌سری ‌موارد نگارشی:‌ استفاده از واژه های انگلیسی در یک متن فارسی زیاد مناسب نیست. مثلا به جای Manhattan distance می‌توانستید بنویسید فاصله‌ی منهتن و انگلیسیش رو توی پاورقی بیارید، یا موارد دیگر مثل matching و ...
    آخرین ستون جدول آخرتون رو وسط‌چین کنین.
    اعداد رو فارسی کنین.

  • بخش کارهای مرتبط،‌ front-end را به خوبی شرح داده‌اید ولی من نفهمیدم که اگر فایلی که پخش‌ می‌شود بخشی از همان فایل آهنگ اصلی است چه نیازی به این همه گرفتن نویز و ... است؟ یا این که چه برداری رو ذخیره می‌کنین؟ اصلا این بردار چطوری از فایل باینری بدست میاد که بعد فاصله اون‌ها رو حساب می کنید؟
    لطفا توضیحات این بخش‌ رو کمی کامل‌تر کنید.

  • با زدن شماره مرجع، در متن مشخص کنید چه بخشی رو از چه مرجعی گرفته‌اید، تا خواننده بتونه مشروح مطالب رو پیگیری کنه.

  • کد بسیار تمیز و خوب است! آفرین.

تایید شده

با سلام
برای قسمت ازمایش بهتر بود برای قسمت بهینه سازی الگوریتم maximum_filter را توضیح داده که با نحوه ی کار آن آشنا شده و تاثیر آن را بر روی کار خود نشان می دادید که بدانیم چه تاثیری دارد.
توضیح خط به خط کد و الگوریتمای استفاده شده در کد بهتر است که در یک فایل جدا باشد و به آن اشاره شود و کلیات کار در بوته ذکر شود
موفق باشید

رد شده

با سلام.با وجود اینکه منابع فارسی در زمینه پروژه شما وجود ندارند،پروژه بسیار کاملی را ارائه داده اید.استفاده از اشکال فهم مراحل ذکر شده در بخش کارهای مرتبط را ساده نموده اند و بهینه سازی پروژه به خوبی انجام گرفته است.

تایید شده

فایلreadme کامل و جامعی دارید که به دلیل گذاشتن کتابخانه ها و تضیحات مربوط به پیاده سازی کار را برای کاربر اسان تر میکند و مفهوم قسمت های مختلف پروژه مشخص میشود
مراجع کمی دارید که در متن ارجاع نداده اید
بهتر بود برای ازمایش دوم هم مانند ازمایش اول از جدول استفاده میکردید:)
در قسمت کارهای مرتبط از عکس های خوبی استفاده شده است که مراحل را کاملا معلوم میکند
در ازمایش ها نتایج خیلی خوبی ثبت شده است که نشان دهنده ی بهبود عملکرد شماست

نیما همتی
تایید شده

پروژه به خوبی توضیح داده شده.از تصاویر برای توضیح الگوریتم و روش کار به خوبی استفاده شده است.با توجه به اینکه یک مقدار کار با صوت پیچیده است ‌پروژه پیشرفت خوبی داشته ولی به نظر میرسد زمان اجرای برنامه شما کمی زیاد است و اینکه با آزمایش های بیشتری می توانستید نتایج قابل اطمینان تر و دقیق تری داشته باشید. توضیحات بهینه سازی نیز برای خواننده کافی بود

رد شده

پیاده سازی خوبی نداشتید و بخش کارهای آینده و بهینه سازی ناقص به نظر میرسد.در بخش کارهای مرتبط توضیحات نامفهوم مینماید.

رد شده
تایید شده

پروژه بسیار کاربردی و جالبی است .
و مطمئن هستم که کار پیچیده ای انجام داده اید و پیشرفت روند پیاده سازی هم به شکل کاملی توضیح داده شده
فقط تنها مشکلی که وجود داشت این بود که نتایج آزمایش 2 مانند آزمایش 1 به صورت کامل بیان نشده بود و با مقایسه ی این دو در یک جدول میشد نتایج رو بهتر نشون داد.
موفق باشید

رد شده

کلیت پروژه خوب است. اما با توجه به این که این بار باید این فاز را ارزیابی کنیم ، این فاز به خوبی کلیت پروژه نیست و نتایج به خوبی توضیح داده نشده اند. بهینه سازی همیشه هم آسان نیست و گه گاه دانش فراتر از دوران کارشناسی را می خواهد. و نمی توان انتظار زیادی داشت.
خسته نباشید می گم و آرزوی موفقیت