Investigating genre similarity boundaries in Brazilian music using deep learning models

Resumo

Compreender como os gêneros musicais se organizam em espaços de representação aprendidos constitui um desafio relevante na área de Recuperação de Informação Musical. Neste trabalho, investigamos a estrutura latente aprendida por um modelo Vision Transformer (ViT) ajustado para a classificação de música regional brasileira. Para isso, apresentamos o Brazilian Regional Music Dataset (BYRM), um conjunto de dados curado composto por 1.082 faixas distribuídas em dez gêneros culturalmente diversos. A análise considera a configuração experimental de melhor desempenho identificada em estudos anteriores, na qual são utilizados segmentos de 10 segundos extraídos do intervalo entre 90 e 120 segundos de cada faixa. Os mel-espectrogramas são empregados como representação de entrada do modelo, a partir dos quais são extraídos embeddings temporais do ViT treinado. Para investigar a organização do espaço latente, aplicamos técnicas de redução de dimensionalidade, incluindo Análise de Componentes Principais (PCA), Incorporação Estocástica de Vizinhos Distribuída em t (t-SNE) e Aproximação e Projeção Uniforme de Variedades (UMAP), além do cálculo da similaridade do cosseno para mensurar a proximidade entre gêneros. O modelo alcançou 81,94% de acurácia e 81,84% de F1-score, evidenciando elevada capacidade de discriminação. Para além dos resultados quantitativos, a análise das representações indica padrões consistentes de agrupamento, nos quais gêneros estilisticamente próximos apresentam maior similaridade no espaço de embeddings, enquanto estilos mais distintos permanecem claramente separados. Esses resultados demonstram que representações baseadas em transformadores são capazes de capturar relações estilísticas culturalmente fundamentadas em um contexto musical diverso.