Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Оптическое распознавание музыки ( OMR ) - это область исследований, в которой изучается, как с помощью вычислений читать нотную запись в документах. [1] Цель OMR - научить компьютер читать и интерпретировать ноты и создавать машиночитаемую версию нот. После записи в цифровом виде музыка может быть сохранена в широко используемых форматах файлов, например, MIDI (для воспроизведения) и MusicXML (для макета страницы).

В прошлом его ошибочно называли Music OCR . Из-за значительных различий этот термин больше не используется. [2]

История [ править ]

Впервые опубликовано цифровое сканирование нот Дэвида Прерау в 1971 году.

Оптическое распознавание нот в печатных нотах началось в конце 1960-х годов в Массачусетском технологическом институте, когда первые сканеры изображений стали доступны исследовательским институтам. [3] [4] [5] Из-за ограниченной памяти ранних компьютеров первые попытки были ограничены всего несколькими музыкальными произведениями.

В 1984 году японская исследовательская группа из Университета Васэда разработала специализированного робота под названием WABOT (WAseda roBOT), который был способен читать ноты перед собой и аккомпанировать певцу на электрическом органе . [6] [7]

Ранние исследования OMR проводили Ичиро Фуджинага, Николас Картер, Киа Нг, Дэвид Бейнбридж и Тим Белл. Эти исследователи разработали многие методы, которые используются до сих пор.

Первое коммерческое приложение OMR, MIDISCAN (ныне SmartScore ), было выпущено в 1991 году Musitek Corporation .

Доступность смартфонов с хорошими камерами и достаточной вычислительной мощностью проложила путь к мобильным решениям, где пользователь делает снимок с помощью смартфона, а устройство напрямую обрабатывает изображение.

Связь с другими полями [ править ]

Связь оптического распознавания музыки с другими областями исследований

Оптическое распознавание музыки относится к другим областям исследований, включая компьютерное зрение , анализ документов и поиск музыкальной информации . Это актуально для практикующих музыкантов и композиторов, которые могли бы использовать системы OMR как средство ввода музыки в компьютер и, таким образом, облегчить процесс сочинения , расшифровки и редактирования музыки. В библиотеке система OMR могла бы сделать музыкальные партитуры доступными для поиска [8], а для музыковедов она позволила бы проводить количественные музыковедческие исследования в большом масштабе. [9]

OMR против OCR [ править ]

Оптическое распознавание музыки часто сравнивают с оптическим распознаванием символов. [2] [10] [11] Самая большая разница в том, что нотная запись - это особенная система письма. Это означает, что хотя алфавит состоит из четко определенных примитивов (например, основы, заголовки или флаги), именно их конфигурация - то, как они размещены и расположены на нотоносце, - определяет семантику и то, как ее следует интерпретировать.

Второе важное отличие заключается в том, что, хотя система OCR не выходит за рамки распознавания букв и слов, ожидается, что система OMR также восстановит семантику музыки: пользователь ожидает, что вертикальное положение ноты (графическая концепция) будет переводится в высоту звука (музыкальное понятие) с применением правил нотной записи. Обратите внимание, что для распознавания текста нет надлежащего эквивалента. По аналогии, восстановление музыки с изображением музыкального листа может быть столь же сложным , как восстановления HTML исходный код с экрана в виде веб - сайта .

Третье отличие связано с используемым набором символов. Хотя системы письма, такие как китайский, имеют чрезвычайно сложные наборы символов, набор символов примитивов для OMR охватывает гораздо больший диапазон размеров, начиная от крошечных элементов, таких как точка, до больших элементов, которые потенциально охватывают всю страницу, например скобки. Некоторые символы имеют почти неограниченный вид, например оскорбления, которые определяются только как более или менее плавные кривые, которые могут прерываться где угодно.

Наконец, нотная запись включает в себя повсеместные двумерные пространственные отношения, тогда как текст можно читать как одномерный поток информации, как только базовая линия установлена.

Подходы к OMR [ править ]

Отрывок из ноктюрна соч. 15 , нет. 2, Фредерик Шопен - Проблемы оптического распознавания музыки

Процесс распознавания нот обычно разбивается на более мелкие этапы, которые обрабатываются специальными алгоритмами распознавания образов .

Было предложено множество конкурирующих подходов, большинство из которых используют общую архитектуру конвейера, где каждый шаг в этом конвейере выполняет определенную операцию, такую ​​как обнаружение и удаление линий персонала перед переходом к следующему этапу. Общая проблема такого подхода заключается в том, что ошибки и артефакты, сделанные на одном этапе, распространяются по системе и могут сильно повлиять на производительность. Например, если на этапе обнаружения нотных нотоносцев не удается правильно определить наличие нотных нотоносцев, последующие шаги, вероятно, будут игнорировать эту область изображения, что приведет к отсутствию информации в выходных данных.

Оптическое распознавание музыки часто недооценивается из-за, казалось бы, простой природы проблемы: если обеспечить идеальное сканирование наборной музыки, визуальное распознавание может быть решено с помощью последовательности довольно простых алгоритмов, таких как проекции и сопоставление шаблонов. Однако этот процесс значительно усложняется для плохих отсканированных изображений или рукописной музыки, которую многие системы вообще не могут распознать. И даже если бы все символы были обнаружены идеально, восстановить музыкальную семантику по-прежнему сложно из-за неоднозначности и частых нарушений правил нотной записи (см. Пример Ноктюрна Шопена). Дональд Берд и Якоб Симонсен утверждают, что OMR сложно, потому что современная нотная запись чрезвычайно сложна. [11]

Дональд Берд также собрал ряд интересных примеров [12], а также крайних примеров [13] нотной записи, которые демонстрируют явную сложность нотной записи.

Выходы систем OMR [ править ]

Типичные приложения для систем OMR включают создание слышимой версии музыкальной партитуры (называемой возможностью воспроизведения). Обычный способ создания такой версии - создание файла MIDI , который можно синтезировать в аудиофайл. Однако файлы MIDI не способны хранить информацию о гравировке (как были выложены ноты) или энгармоническое написание.

Если партитуры распознаются с целью удобства чтения для человека (это называется возможностью повторной печати), необходимо восстановить структурированную кодировку, которая включает точную информацию о макете и гравировке. Подходящие форматы для хранения этой информации включают MEI и MusicXML .

Помимо этих двух приложений, может быть интересно просто извлечь метаданные из изображения или включить поиск. В отличие от первых двух приложений, для выполнения этих задач может быть достаточно более низкого уровня понимания нот.

Общие рамки (2001) [ править ]

Архитектура оптического распознавания музыки Бейнбриджа и Белла (2001)

В 2001 году Дэвид Бейнбридж и Тим Белл опубликовали свою работу о проблемах OMR, в которой они рассмотрели предыдущие исследования и извлекли общую основу для OMR. [10] Их структура использовалась во многих системах, разработанных после 2001 года. Эта структура состоит из четырех отдельных этапов с упором на визуальное обнаружение объектов. Они заметили, что реконструкция музыкальной семантики часто опускалась в опубликованных статьях, потому что используемые операции были специфичны для выходного формата.

Уточненная структура (2012) [ править ]

Общая схема оптического распознавания музыки, предложенная Ana Rebelo et al. в 2012

В 2012 году Ана Ребело и др. рассмотрены методы оптического распознавания музыки. [14] Они разделили опубликованные исследования и доработали конвейер OMR на четыре этапа: предварительная обработка, распознавание музыкальных символов, реконструкция музыкальной нотации и построение окончательного представления. Этот фреймворк стал де-факто стандартом для OMR и используется до сих пор (хотя иногда и с немного другой терминологией). По каждому блоку дается обзор методов, которые используются для решения этой проблемы. Эта публикация является наиболее цитируемой статьей об исследованиях OMR по состоянию на 2019 год.

Глубокое обучение (с 2016 г.) [ править ]

С появлением глубокого обучения многие проблемы компьютерного зрения сместились с императивного программирования с ручной эвристикой и проектированием функций на машинное обучение. В оптическом распознавании музыки на этапе обработки нот [15] [16], этапе обнаружения музыкального объекта, [17] [18] [19] [20], а также на этапе восстановления нотной записи [21] были успешными попытки решить их с помощью глубокого обучения.

Были предложены даже совершенно новые подходы, в том числе решение OMR сквозным способом с помощью моделей от последовательности к последовательности, которые берут изображение музыкальных партитур и напрямую создают распознанную музыку в упрощенном формате. [22] [23] [24] [25]

Известные научные проекты [ править ]

Проблема увольнения персонала [ править ]

Для систем, разработанных до 2016 года, обнаружение и увольнение персонала представляло собой серьезное препятствие. Был организован научный конкурс для улучшения состояния дел и развития области. [26] В связи с отличными результатами и современными технологиями, которые сделали этап удаления персонала устаревшим, этот конкурс был прекращен.

Тем не менее, свободно доступный набор данных CVC-MUSCIMA, который был разработан для этой задачи, по-прежнему очень актуален для исследований OMR, поскольку он содержит 1000 высококачественных изображений рукописных нот, расшифрованных 50 разными музыкантами. Он был дополнительно расширен до набора данных MUSCIMA ++, который содержит подробные аннотации для 140 из 1000 страниц.

SIMSSA [ править ]

Проект «Единый интерфейс для поиска и анализа музыкальной партитуры» (SIMSSA) [27] , вероятно, является крупнейшим проектом, который пытается научить компьютеры распознавать музыкальные партитуры и сделать их доступными. Несколько подпроектов уже успешно завершены, в том числе Liber Usualis [28] и Cantus Ultimus. [29]

ТРОМПА [ править ]

На пути к более богатой онлайн-музыке Архивы общественного достояния (TROMPA) - это международный исследовательский проект, спонсируемый Европейским Союзом, который исследует, как сделать общедоступные цифровые музыкальные ресурсы более доступными. [30]

Наборы данных [ править ]

При разработке систем OMR используются тестовые наборы данных достаточного размера и разнообразия, чтобы гарантировать, что разрабатываемая система работает в различных условиях. Однако по юридическим причинам и потенциальным нарушениям авторских прав сложно составить и опубликовать такой набор данных. Наиболее известные наборы данных для OMR приведены и обобщены в проекте OMR Datasets [31] и включают CVC-MUSCIMA, [32] MUSCIMA ++, [33] DeepScores, [34] PrIMuS, [35] HOMUS, [36] и SEILS. набор данных [37], а также универсальная коллекция музыкальных символов. [38]

Программное обеспечение [ править ]

Академическое программное обеспечение и программное обеспечение с открытым исходным кодом [ править ]

Многие проекты OMR были реализованы в академических кругах, но лишь некоторые из них достигли зрелого состояния и были успешно развернуты для пользователей. Эти системы:

  • Аруспикс [39]
  • Аудиверис [40]
  • КАНТОР [41]
  • Гамера [42]
  • DMOS [43]
  • OpenOMR [44]
  • Родан [45]

Коммерческое программное обеспечение [ править ]

Большинство коммерческих настольных приложений, которые были разработаны за последние 20 лет, были снова закрыты из-за отсутствия коммерческого успеха, и осталось лишь несколько поставщиков, которые все еще разрабатывают, поддерживают и продают продукты OMR. Некоторые из этих продуктов заявляют о чрезвычайно высоких показателях распознавания с точностью до 100% [46] [47], но не раскрывают, как были получены эти числа, что делает практически невозможным их верификацию и сравнение различных систем OMR. Помимо настольных приложений, появился ряд мобильных приложений, которые получили неоднозначные отзывы в магазине Google Play и, вероятно, были прекращены (или, по крайней мере, не получали никаких обновлений с 2017 года). [48] [49] [50]Ряд приложений OMR также можно найти для устройств iPhone и iPad в Apple Store. [51] [52] [53] [54] [55]

  • capella-scan [56]
  • ForteScan Light от Fortenotation [57] теперь Scan Score [58]
  • MIDI-соединения Сканирование по MIDI-соединениям [59]
  • Сканирование MP от Braeburn. [60] Использует SharpEye SDK.
  • NoteScan в комплекте с Nightingale [61]
  • Надстройка OMeR (Optical Music easy Reader) для Harmony Assistant и Melody Assistant: Myriad Software [62] (ShareWare)
  • PDFtoMusic [63]
  • PhotoScore от Neuratron. [47] Облегченная версия PhotoScore используется в Sibelius . PhotoScore использует SharpEye SDK.
  • PlayScore от Organum Limited. [64]
  • Scorscan от npcImaging. [65] На основе SightReader (?)
  • SharpEye от Visiv [66]
    • VivaldiScan (то же, что и SharpEye) [67]
  • SmartScore от Musitek. [68] Ранее упаковывалась как «MIDISCAN». (SmartScore Lite использовался в предыдущих версиях Finale ).
  • ScanScore [69] (Также в комплекте с Forte Notation .) [70]

См. Также [ править ]

  • Поиск музыкальной информации (MIR) - более широкая проблема получения музыкальной информации с носителей, включая музыкальные партитуры и аудио.
  • Оптическое распознавание символов (OCR) - это распознавание текста, которое может применяться для поиска документов по аналогии с OMR и MIR. Однако полная система OMR должна точно отображать текст, присутствующий в нотах, поэтому OMR фактически является надмножеством OCR. [10]

Ссылки [ править ]

  1. ^ Паша, Александр (2019). Самообучающееся оптическое распознавание музыки (PhD). TU Wien, Австрия. DOI : 10,13140 / RG.2.2.18467.40484 .
  2. ^ а б Кальво-Сарагоса, Хорхе; Hajič, Jan jr .; Паша, Александр (2019). «Понимание оптического распознавания музыки». arXiv : 1908.03608 [ cs.CV ].
  3. ^ Fujinaga Итиро (2018). История OMR на YouTube
  4. ^ Пруслин, Деннис Ховард (1966). Автоматическое распознавание нот (PhD). Массачусетский технологический институт, Кембридж, Массачусетс, США.
  5. ^ Прерау, Дэвид С. (1971). Компьютерное распознавание образов печатной музыки . Осенняя совместная компьютерная конференция. С. 153–162.
  6. ^ "WABOT - WAseda roBOT" . Гуманоид Университета Васэда . Проверено 14 июля 2019 года .
  7. ^ "Запись Wabot в коллекции роботов IEEE" . IEEE . Проверено 14 июля 2019 года .
  8. ^ Laplante, Одри; Фудзинага, Ичиро (2016). Оцифровка музыкальных партитур: проблемы и возможности для библиотек . 3-й Международный семинар по электронным библиотекам для музыковедения. С. 45–48.
  9. ^ Hajič, Ян младший .; Коларова, Марта; Паша, Александр; Кальво-Сарагоса, Хорхе (2018). Как современные оптические системы распознавания музыки становятся полезными для электронных библиотек . 5-я Международная конференция по электронным библиотекам для музыковедения. Париж, Франция. С. 57–61.
  10. ^ a b c Бейнбридж, Дэвид; Белл, Тим (2001). «Задача оптического распознавания музыки» . Компьютеры и гуманитарные науки . 35 (2): 95–121. DOI : 10,1023 / A: 1002485918032 . Проверено 23 февраля 2017 года .
  11. ^ а б Берд, Дональд; Симонсен, Якоб Грю (2015). «На пути к стандартному испытательному стенду для оптического распознавания музыки: определения, показатели и изображения страниц». Журнал новых музыкальных исследований . 44 (3): 169–195. DOI : 10.1080 / 09298215.2015.1045424 .
  12. ^ "Галерея интересных нот" . Дональд Берд . Проверено 14 июля 2019 года .
  13. ^ «Крайности обычной нотной записи» . Дональд Берд . Проверено 14 июля 2019 года .
  14. ^ Rebelo, Ана; Фудзинага, Ичиро; Пашкевич, Филипе; Marcal, Andre RS; Гуэдес, Карлос; Кардозу, Джейми душ Сантуш (2012). «Оптическое распознавание музыки: современные и открытые вопросы» (PDF) . Международный журнал поиска мультимедийной информации . 1 (3): 173–190. DOI : 10.1007 / s13735-012-0004-6 .
  15. ↑ Гальего, Антонио-Хавьер; Кальво-Сарагоса, Хорхе (2017). «Удаление штрихов с помощью селективных автокодировщиков». Экспертные системы с приложениями . 89 : 138–148. DOI : 10.1016 / j.eswa.2017.07.002 . ЛВП : 10045/68971 .
  16. ^ Castellanos, Fancisco J .; Кальво-Сарагоса, Хорхе; Вильенсони, Габриэль; Фудзинага, Ичиро (2018). Документальный анализ изображений нот с помощью селективных автокодировщиков (PDF) . 19-я Международная конференция по поиску информации о музыке. Париж, Франция. С. 256–263.
  17. ^ Туггенер, Лукас; Елези, Исмаил; Шмидхубер, Юрген; Штадельманн, Тило (2018). Детектор глубоких водоразделов для распознавания музыкальных объектов (PDF) . 19-я Международная конференция по поиску информации о музыке. Париж, Франция. С. 271–278.
  18. ^ Hajič, Ян младший .; Дорфер, Матиас; Видмер, Герхард; Печина, Павел (2018). На пути к полному конвейеру рукописного OMR с обнаружением музыкальных символов U-Nets (PDF) . 19-я Международная конференция по поиску информации о музыке. Париж, Франция. С. 225–232.
  19. ^ Паша, Александр; Hajič, Jan jr .; Кальво-Сарагоса, Хорхе (2018). «Базовый уровень для общего обнаружения музыкальных объектов с помощью глубокого обучения» . Прикладные науки . 8 (9): 1488–1508. DOI : 10,3390 / app8091488 .
  20. ^ Паша, Александр; Чой, Квон-Ён; Куаснон, Бертран; Ricquebourg, Yann; Занибби, Ричард; Эйденбергер, Хорст (2018). Обнаружение рукописных музыкальных объектов: открытые проблемы и исходные результаты (PDF) . 13-й Международный семинар по системам анализа документов. С. 163–168. DOI : 10,1109 / DAS.2018.51 .
  21. ^ Паша, Александр; Кальво-Сарагоса, Хорхе; Гайч, Ян мл. (2019). Построение обучающего графа нотации для оптического распознавания музыки с полным конвейером . 20-я конференция Международного общества по поиску информации о музыке (в печати).
  22. ^ ван дер Вел, Eelco; Ульрих, Карен (2017). Оптическое распознавание музыки с помощью сверточных последовательностей моделей (PDF) . 18-я международная конференция по поиску информации о музыке. Сучжоу, Китай.
  23. ↑ Кальво-Сарагоса, Хорхе; Ризо, Дэвид (2018). «Сквозное нейрооптическое музыкальное распознавание монофонических партитур» . Прикладные науки . 8 (4): 606. DOI : 10,3390 / app8040606 .
  24. ^ Баро, Арнау; Риба, По; Кальво-Сарагоса, Хорхе; Форнес, Алисия (2017). Оптическое распознавание музыки рекуррентными нейронными сетями . 14-я Международная конференция по анализу и распознаванию документов. С. 25–26. DOI : 10.1109 / ICDAR.2017.260 .
  25. ^ Баро, Арнау; Риба, По; Кальво-Сарагоса, Хорхе; Форнес, Алисия (2019). «От оптического распознавания музыки к распознаванию рукописной музыки: базовый уровень». Письма с распознаванием образов . 123 : 1–8. DOI : 10.1016 / j.patrec.2019.02.029 . ЛВП : 10045/89708 .
  26. ^ Форнес, Алисия; Дутта, Анджан; Гордо, Альберт; Льядос, Хосеп (2013). «Конкурс музыкального сопровождения 2012 года: увольнение сотрудников и идентификация писателей». Распознавание графики. Новые тенденции и вызовы . Конспект лекций по информатике. Springer. 7423 : 173–186. DOI : 10.1007 / 978-3-642-36824-0_17 . ISBN 978-3-642-36823-3.
  27. ^ "Сайт проекта SIMSSA" . Университет Макгилла . Проверено 14 июля 2019 года .
  28. ^ "Веб-сайт проекта Liber Usualis" . Университет Макгилла . Проверено 14 июля 2019 года .
  29. ^ "Сайт проекта Cantus Ultimus" . Университет Макгилла . Проверено 14 июля 2019 года .
  30. ^ "Сайт проекта TROMPA" . Консорциум Trompa . Проверено 14 июля 2019 года .
  31. ^ "Проект наборов данных OMR (репозиторий Github)" . Паша, Александр . Проверено 14 июля 2019 года .
  32. ^ Форнес, Алисия; Дутта, Анджан; Гордо, Альберт; Льядос, Хосеп (2012). «CVC-MUSCIMA: Достоверная информация о рукописных изображениях партитуры для идентификации автора и удаления сотрудников». Международный журнал анализа и распознавания документов . 15 (3): 243–251. DOI : 10.1007 / s10032-011-0168-2 .
  33. ^ Hajič, Ян младший .; Печина, Павел (2017). Набор данных MUSCIMA ++ для рукописного оптического распознавания музыки . 14-я Международная конференция по анализу и распознаванию документов. Киото, Япония. С. 39–46. DOI : 10.1109 / ICDAR.2017.16 .
  34. ^ Туггенер, Лукас; Елези, Исмаил; Шмидхубер, Юрген; Пелильо, Марчелло; Штадельманн, Тило (2018). DeepScores - набор данных для сегментации, обнаружения и классификации крошечных объектов . 24-я Международная конференция по распознаванию образов. Пекин, Китай. DOI : 10,21256 / zhaw-4255 .
  35. ↑ Кальво-Сарагоса, Хорхе; Ризо, Дэвид (2018). Camera-PrIMuS: нейронное сквозное оптическое распознавание музыки на реалистичных монофонических партитурах (PDF) . 19-я Международная конференция по поиску информации о музыке. Париж, Франция. С. 248–255.
  36. ↑ Кальво-Сарагоса, Хорхе; Ончина, Хосе (2014). Распознавание нотной записи на основе пера: набор данных HOMUS . 22-я Международная конференция по распознаванию образов. С. 3038–3043. DOI : 10.1109 / ICPR.2014.524 .
  37. ^ Парада-Cabaleiro, Эмилия; Батлинер, Антон; Бэрд, Алиса; Шуллер, Бьорн (2017). Набор данных SEILS: Символически закодированные партитуры в современной и ранней нотации для компьютерного музыковедения (PDF) . 18-я международная конференция по поиску информации о музыке. Сучжоу, Китай. С. 575–581.
  38. ^ Паша, Александр; Эйденбергер, Хорст (2017). На пути к универсальному классификатору музыкальных символов . 14-я Международная конференция по анализу и распознаванию документов. Киото, Япония. С. 35–36. DOI : 10.1109 / ICDAR.2017.265 .
  39. ^ Аруспикс
  40. ^ Audiveris
  41. ^ КАНТОР
  42. ^ Гамера
  43. ^ Coüasnon, Bertrand (2001). DMOS: универсальный метод распознавания документов, приложение к автоматическому генератору нот, математических формул и систем распознавания структур таблиц . Шестая международная конференция по анализу и распознаванию документов. С. 215–220. DOI : 10.1109 / ICDAR.2001.953786 .
  44. ^ OpenOMR
  45. ^ Родан
  46. ^ Информация о точности капелла-сканирования
  47. ^ а б PhotoScore Ultimate 7
  48. ^ PlayScore Pro
  49. ^ iSeeNotes
  50. ^ NotateMe сейчас
  51. ^ MusicPal
  52. ^ Сканер нот
  53. ^ PlayScore 2
  54. ^ Сканер нот - Музыка OCR
  55. ^ Komp Create
  56. ^ "Noten scannen mit capella-scan - capella-software AG" . www.capella-software.com . Проверено 24 ноября 2019 .
  57. ^ FORTE Scan Light архивации 2013-09-22 в Wayback Machine
  58. ^ Оценка сканирования
  59. ^ MIDI-соединение SCAN 2.0 в архиве 2013-12-20 в Wayback Machine
  60. ↑ Music Publisher Scanning Edition, заархивировано 13 апреля 2013 г. на Wayback Machine
  61. ^ NoteScan
  62. ^ OMeR
  63. ^ PDFtoMusic
  64. ^ PlayScore
  65. ^ ScorScan
  66. ^ SharpEye
  67. ^ VivaldiScan архивации 2005-12-24 в Wayback Machine
  68. ^ SmartScore архивации 2012-04-17 в Wayback Machine
  69. ^ "Сканер нот | Программа сканирования нот SCANSCORE" . SCANSCORE . Проверено 24 ноября 2019 .
  70. ^ "FORTE 11 Premium" . Обозначение Форте . Проверено 19 декабря 2019 .

Внешние ссылки [ править ]

  • Сайт по исследованиям оптического распознавания музыки
  • Страница Github для проектов с открытым исходным кодом по оптическому распознаванию музыки
  • Библиография по OMR-Research
  • Запись учебного пособия ISMIR 2018 «Оптическое распознавание музыки для чайников».
  • Оптическое распознавание музыки (OMR): программы и научные статьи
  • Системы OMR (оптического распознавания музыки) : Полная таблица OMR (последнее обновление: 30 января 2007 г.).

СМИ, связанные с оптическим распознаванием музыки на Викискладе?