Resumen Técnico: Sheet Music Benchmark (SMB) y OMR-NED

1. Planteamiento del Problema

El Reconocimiento Óptico de Música (OMR) sigue siendo un desafío significativo dentro de la Recuperación de Información Musical (MIR). Aunque el Aprendizaje Profundo (DL) ha desplazado este campo de los métodos basados en reglas hacia procesos de transcripción de extremo a extremo, la disciplina carece de un corpus de referencia integral y de alta calidad. Los conjuntos de datos existentes sufren limitaciones críticas:

• Tamaño y diversidad insuficientes: Los primeros corpus como OMRTestCorpus son demasiado pequeños para el entrenamiento moderno de DL.
• Alcance limitado: Los conjuntos de datos como CVC-MUSCIMA se centran únicamente en la eliminación de líneas de pentagrama, mientras que PrIMuS está restringido a niveles de región de pentagrama monofónicos.
• Sesgo sintético: Los conjuntos de datos como GrandStaff son generados sintéticamente con una diversidad de compositores limitada.
• Restricciones de formato: Conjuntos de datos recientes como OLiMPiC dependen de XML linealizado, lo que requiere un procesamiento adicional para renderizar partituras completas.
• Deficiencias de evaluación: La métrica estándar, la Tasa de Error de Símbolos (SER), proporciona un recuento global de errores pero no ofrece información diagnóstica detallada sobre errores de notación específicos (por ejemplo, distinguir entre errores de altura, clasificaciones erróneas de accidentales o fallos en la detección de corchetes).

En consecuencia, la evaluación rigurosa del rendimiento y la comparación cualitativa entre sistemas de OMR se ven obstaculizadas por la ausencia de un conjunto de datos estandarizado, de página completa y de extremo a extremo, así como de una métrica de evaluación más informativa.

2. Metodología y Contribuciones

2.1 El Conjunto de Datos Sheet Music Benchmark (SMB)

Los autores presentan SMB, un conjunto de datos que comprende 685 páginas (4,039 regiones) de partituras codificadas en el formato kern de Humdrum. El conjunto de datos fue construido utilizando la biblioteca KernScores, con todos los pasos de anotación realizados por expertos musicalmente formados para garantizar una verdad de campo de alta calidad.

• Proceso de anotación: Las partituras escaneadas se cargaron en HumanSignal. Los expertos asignaron etiquetas de textura (Monofonía, Pianoform, Cuarteto y Otros) y delimitaron las regiones con cuadros delimitadores. Las anotaciones se proporcionaron a nivel de pentagrama y como anotaciones "diplomáticas" de página completa, adecuadas para el análisis de diseño y la transcripción de página completa.
• Estrategia de codificación: El conjunto de datos utiliza kern por su eficiencia y compatibilidad con el ecosistema Humdrum. Para abordar la ambigüedad de kern bruto (donde los símbolos pueden representarse de múltiples formas), los autores implementaron un flujo de trabajo de post-procesamiento utilizando el paquete kernpy. Esto generó tres formatos:
  1. raw: Codificación fragmentada original de la etiqueta.
  2. kern: kern estandarizado con encabezados y rutas de espina adecuados.
  3. ekern (Extended kern): Una versión tokenizada donde las categorías semánticas (duración, altura, accidental) se separan mediante delimitadores ("@" y "·"), reduciendo significativamente el tamaño del vocabulario a costa de aumentar la longitud de la secuencia.
• Composición de los datos: El conjunto de datos abarca diversos periodos (desde el Barroco hasta el Ragtime) y compositores (por ejemplo, Bach, Chopin, Mozart, Joplin). La distribución está dominada por Pianoform (469 páginas), seguido de Monofonía (115), Cuarteto (79) y Otros (22).

2.2 El OMR Normalized Edit Distance (OMR-NED)

Para abordar las limitaciones de la SER, los autores proponen OMR-NED, una métrica diseñada para proporcionar tanto una puntuación de rendimiento numérica única como un perfil de error detallado.

• Mecanismo: OMR-NED se basa en una versión mejorada de MusicDiff (originalmente Music-Score-Diff). A diferencia de las distancias de edición tradicionales que operan sobre cadenas de caracteres, OMR-NED compara símbolos musicales visuales.
• Granularidad: Categoriza los errores en elementos de notación específicos:
  • Notas/Silencios: Altura, accidental, ligadura, cabeza de nota, corchetes/flamolas, puntos, articulaciones, ornamentos y notas de adorno.
  • No Notas: Dinámicas, claves, armaduras, compases, ligaduras de expresión, ottavas, indicaciones, arpegios, símbolos de acordes, letras y finales.
• Cálculo: La métrica calcula el número promedio de inserciones y eliminaciones de símbolos necesarios para convertir una partitura predicha en la partitura de referencia, normalizado por el recuento total de símbolos de ambas partituras. Crucialmente, una sustitución se trata como una eliminación del símbolo antiguo y una inserción del nuevo, en lugar de una única operación de edición.
• Salida: La herramienta genera un informe CSV que detalla las distancias de edición para cada categoría, lo que permite a los investigadores identificar debilidades específicas del sistema (por ejemplo, mala detección de corchetes frente a errores de altura).

3. Resultados Experimentales

Los autores establecieron una línea base utilizando el Sheet Music Transformer (una arquitectura codificador-decodificador) entrenada con el conjunto de datos SMB mediante validación cruzada de 5 pliegues. El modelo fue entrenado desde cero (sin pesos pre-entrenados) durante 400 épocas en una NVIDIA RTX 4080.

• Rendimiento: Los resultados indican que el OMR sigue siendo una tarea desafiante, con altas tasas de error incluso para modelos de vanguardia.
  • Monofonía: Logró el OMR-NED más bajo (94.1% para kern, 98.8% para ekern) y la SER más baja (57.1%).
  • Pianoform: Mostró un rendimiento significativamente mejor que las texturas polifónicas, con un OMR-NED del 57.4% (kern) y una SER del 31.4%.
  • Cuarteto y Otros: Exhibieron tasas de error más altas, con el OMR-NED de Cuarteto alcanzando el 92.3% (kern) y una SER del 39.8%.
• Impacto de la codificación: El formato ekern generalmente resultó en tasas de error más altas en comparación con kern en estos experimentos de línea base, probablemente debido al aumento en la longitud de la secuencia y la complejidad del vocabulario tokenizado.

4. Estudio de Caso: OMR-NED vs. SER

El artículo presenta un análisis comparativo de dos ejemplos de transcripción para demostrar la utilidad de OMR-NED:

1. Monofónico con Letras: Mientras que la SER proporcionó una tasa de error global, OMR-NED reveló que el 65% de los errores se encontraban en Notas y el 35% en Letras, permitiendo una depuración dirigida.
2. Pianoform: OMR-NED mostró que el 88.2% de los errores fueron en Notas, pero también destacó un error del 11.8% en la categoría Extra (dinámicas, claves, armaduras). Este nivel de detalle es invisible para la SER estándar, que solo reportaría un único porcentaje agregado.

Los autores señalan que OMR-NED tiende a penalizar los errores con mayor rigor que la SER debido a su recuento detallado de los símbolos individuales (por ejemplo, tratando un cambio de compás como dos ediciones en lugar de una sustitución).

5. Significación y Reivindicaciones

El artículo posiciona a SMB y OMR-NED como herramientas fundamentales para avanzar en el campo del OMR:

• Estandarización: SMB proporciona el primer conjunto de datos de acceso público, de página completa y de extremo a extremo diseñado específicamente para evaluar sistemas modernos de OMR basados en DL, abordando la "brecha de larga duración" en los recursos de evaluación.
• Capacidad de Diagnóstico: OMR-NED va más allá de las simples métricas de precisión para permitir un "análisis de error detallado y de grano fino". Esto permite a los investigadores identificar características de notación específicas (por ejemplo, corchetes, accidentales) donde los modelos tienen dificultades, facilitando el desarrollo de arquitecturas más robustas.
• Marco Comunitario: Al proporcionar divisiones de conjuntos de datos estandarizadas y una métrica novedosa, los autores pretenden facilitar evaluaciones de rendimiento claras y comparables entre los sistemas de OMR, de forma similar a cómo los benchmarks como MAPS o GTZAN han impulsado el progreso en otros subcampos de la MIR.

Los autores concluyen que, si bien los resultados de la línea base muestran un amplio margen de mejora, la combinación de SMB y OMR-NED establece un marco riguroso necesario para la evaluación sistemática y el avance futuro del Reconocimiento Óptico de Música.