JLSDD (Josquin La Rue Secure Duos Dataset)

该数据集包含33首Josquin的二重奏和44首La Rue的二重奏，格式包括Sibelius、Music XML、MIDI、MEI、**kern和PDF，用于音乐信息检索研究。

本数据集囊括了Josquin的二重奏33首以及La Rue的二重奏44首，涵盖Sibelius、Music XML、MIDI、MEI、**kern及PDF等多种格式，旨在服务于音乐信息检索领域的研究。

原始信息汇总

数据集概述

数据集名称

• JLSDD (Josquin La Rue Secure Duos Dataset)

数据集内容

• 33 secure Josquin duos
  • 格式：Sibelius, Music XML, MIDI, MEI, **kern, PDF
• 44 secure La Rue duos
  • 格式：Sibelius, Music XML, MIDI, MEI, **kern, PDF
• Sibelius模板
  • 用途：创建该数据集的模板

引用信息

• 作者：Cumming, Julie E., Cory McKay, Jonathan Stuchbery, and Ichiro Fujinaga
• 出版年份：2018
• 论文标题：Methodologies for Creating Symbolic Corpora of Western Music before 1600
• 会议：International Society for Music Information Retrieval Conference
• 页码：491–98
• 地点：Paris, France
• 论文链接：Methodologies for Creating Symbolic Corpora of Western Music before 1600

搜集汇总

数据集介绍

构建方式

JLSDD数据集是在SIMSSA项目背景下，以音乐符号学为研究核心构建而成的。该数据集涵盖了33个Josquin duos和44个La Rue duos，均为安全版本，包含Sibelius、Music XML、MIDI、MEI、kern及PDF格式。其构建过程中，采用了Sibelius模板以标准化形式创建音乐符号集，确保数据的一致性和准确性。

特点

JLSDD数据集的主要特点在于其全面性及格式的多样性，为音乐信息检索研究提供了丰富的资源。所有乐谱均具有高精确度，并且提供了多种格式，包括用于音乐学研究的kern格式，这为不同领域的学者提供了极大的便利。此外，该数据集的研究背景和应用价值在音乐信息检索领域得到了广泛的认可。

使用方法

使用JLSDD数据集时，用户可根据自己的研究需求选择相应的格式。数据集已公开发布于GitHub，便于学者进行下载和使用。在使用数据集的基础上进行研究时，建议遵循数据集提供的引用规范，以尊重原创作者的知识产权和学术贡献。

背景与挑战

背景概述

JLSDD (Josquin La Rue Secure Duos Dataset)数据集是在SIMSSA项目框架下，作为一项乐谱研究计划的一部分而创建的。该项目由SSHRC资助，旨在构建西方音乐符号性数据库。该数据集的创建时间是2018年，主要研究人员包括Julie E. Cumming、Cory McKay、Jonathan Stuchbery和Ichiro Fujinaga。JLSDD的核心研究问题是为音乐信息检索领域提供一个可靠、安全的乐谱数据集，它包含了33个Josquin duos和44个La Rue duos，这些乐谱以多种格式存在，包括Sibelius、Music XML、MIDI、MEI、kern以及PDF。该数据集对音乐信息检索、音乐学分析和计算音乐学等领域产生了显著影响。

当前挑战

JLSDD数据集在构建过程中面临的挑战包括如何确保乐谱数据的安全性和准确性，以及如何处理早期西方音乐乐谱的特殊性。此外，数据集在解决音乐符号性研究领域问题方面，也面临着如何高效地从乐谱中提取有用信息，以及如何支持跨格式和跨系统的乐谱数据交换与处理的挑战。

常用场景

经典使用场景

在音乐信息检索与音乐学研究的领域内，JLSDD数据集的经典使用场景主要涉及音乐符号的分析与比对。该数据集提供了 Josquin 及 La Rue 的二重奏乐谱，其格式包括 Sibelius、Music XML、MIDI、MEI、kern 及 PDF，可供研究者进行音乐符号的编码转换、音乐结构分析以及风格比较等研究。

实际应用

在实际应用中，JLSDD 数据集不仅服务于学术研究，亦被应用于音乐教育、音乐创作及表演等领域。教育工作者可以利用该数据集进行教学示范，作曲家可以借鉴其中的音乐结构进行创作，表演者则可通过分析数据集中的乐谱来提升演奏的准确性。

衍生相关工作

基于 JLSDD 数据集，已衍生出一系列相关研究工作，包括但不限于音乐符号的自动识别、音乐风格分类以及音乐结构分析。这些研究进一步拓展了音乐信息检索的边界，推动了音乐计算领域的学术进展，并为音乐学提供了新的研究方向。