基于谐波结构信息的自动音乐标注方法

根据同类乐器音色相似的特点,提出了一种基于谐波结构信息的自动音乐标注方法·该方法事先提取一类乐器中某一件乐器的谐波结构信息·根据输入信号选择合适的不谐和系数、频率误差系数,结合谐波结构信息构造同类未知乐器的响度谱,然后采用截断完全最小二乘法实现对同类未知乐器音乐的标注·对钢琴音乐的实验证明,该方法不仅能对未知乐器的音乐进行标注,取得较好的性能,还可辨别音符的响度强弱·

自动音乐标注系统综述

通过对大量文献资料的查询、阅读和分析,对自动音乐标注系统进行了详细的总结,内容包括自动音乐标注技术的概念和研究内容、系统结构和发展等,并详细总结了其中的关键技术:音符切分和多基频估计,最后对目前的自动音乐标注系统的优缺点进行了总结,并指出了未来该技术的发展方向。在资料整理过程中还发现这是国内外第一篇专门针对自动音乐标注系统进行的综述性文章,具有重要的参考价值。

基于融合特征与卷积神经网络的耳鸣偏好音自动标注研究

在耳鸣声治疗中加入患者偏好音乐可有效改善耳鸣治疗效果。为满足患者个性化偏好的音乐需求,本研究提出了一种基于logMel与Hpcp融合特征的音乐自动标注新方法。该方法首先通过提取音乐的声学与乐理相关特征,然后输入双分支EfficientNetV2-s网络,进行音乐标注。经测试,本研究方法在MTAT数据集上的ROC-AUC值达到了0.9119,相较于其他音乐标注方法,标注性能有一定提升,对耳鸣偏好音选择具有一定的参考价值。

音乐自动标注分类方法研究综述

音乐是目前最受欢迎的艺术和娱乐形式之一,是表达或寄托人们感情的艺术语言,然而随着数字音乐急剧增加,通过浅层的信息管理与筛选音乐十分困难。音乐自动标注作为一种组织海量音乐与丰富音乐信息的有效手段,可克服音乐信息检索语义鸿沟,健全音乐信息,使音乐具有更直观的表达,并推动音乐分类、音乐推荐、乐器识别等音乐信息检索任务的深入研究。当前音乐自动标注主要聚焦于解决特征提取、模型选择两类问题,结合目前研究重点,阐述了音乐自动标注的相关知识;系统地梳理了音乐自动标注领域的各类音频特征表示及特征提取方法,并对每类提取方法进行了定量分析与定性分析;归纳了该领域相关研究成果,从机器学习与深度学习两个角度着重分析了不同模型方法的差异性;介绍了常用数据集与性能评价指标,总结了不同数据集特点,并对评价指标进行了归类分析;最后指出了音乐自动标注领域研究面临的难点与挑战,并对未来研究方向进行了展望。

基于混合判别受限波兹曼机的音乐自动标注算法

对于音乐自动标注任务,在很多情况下,未标注的歌曲量远远超过已标注的歌曲数据,从而导致训练结果不理想。生成模型能够在某种程度上适应少量数据集的情况,得出较为满意的结果,然而,在有充分数据集的情况下生成模型的效果却劣于判别模型。本文提出了一种结合生成模型与判别模型两者优势的面向音乐自动标注的混合判别波兹曼机模型,该模型可明显提升音乐自动标注的准确率。实验结果表明,混合波兹曼机的效果不仅好于传统的机器学习模型,同时,模型在拥有足够训练数据量的情况下与判别模型效果相当,且在训练集较少的情况下效果也好于判别模型。另外,为了防止模型过拟合,还引入了Dropout规则化方法以进一步加强模型的性能。

基于标签深度分析的音乐自动标注算法

尽管深度神经网络算法在标签自动标注领域已取得一定的成果,但对于包含大量噪声标签的真实音乐数据集仍存在自动标注效果差的问题.为此,文中通过对音乐标签进行表示学习,挖掘音乐标签与音频特征之间的潜在关系,提出了基于标签深度分析的音乐自动标注算法.该算法先通过多层级卷积网络提取音频特征,再通过音乐标签向量的表示学习来降低噪声数据对音乐自动标注网络的不良影响.在真实音乐标注数据集上的实验结果表明,该算法能取得更高的平均受试者特征曲线下面积,标注效果优于其他自动标注算法.

基于降噪自动编码器特征学习的音乐自动标注算法

目前,音乐自动标注模型大多采用手动设计模式,因而存在最佳特征难以选择的问题。提出了一种基于非监督学习的特征学习算法,该算法能自动学习特征的潜在结构而不需要依赖先验知识。首先,预处理阶段主要提取音乐的音级轮廓频率谱并进行PCA白化降维处理;然后,采用深度学习中的降噪自动编码器算法对降维后的特征进行无监督的学习,并采用最大值池化和取均值来聚合得到新的特征向量;最后,将特征向量和标签送入多层感知机中进行有监督的学习。基于Magnatagatune和GTZAN数据库的实验结果表明,本文算法在一定程度上提高了音乐自动标注的准确率。

基于生成对抗网络的音乐标签自动标注

针对如何快速有效地对音乐信息进行查询、检索和组织的问题,提出了一种基于生成对抗网络模型的多标签音乐自动标注系统.通过音乐自动语义标注技术,可以提高音乐检索系统的性能.利用LDA方法对音乐标签进行聚类以获取主题类别,再通过生成对抗网络,找到音乐的音频特征与语义特征之间的映射关系.应用于CAL500数据集的5次交叉验证实验结果表明,该方法的综合性能指标与现有方法相比有较大的提升.

最大熵模型在音乐自动语义标注中的应用研究

随着Web 2.0的发展,音乐自动语义标注成为音乐检索系统的关键技术。但是,目前主流的语义模型都是对音频的内容特征进行处理,并且对每个标签独立建模,忽略了标签间的关联产生的音乐上下文特征。将最大熵模型应用于音乐自动语义标注中,对音乐上下文特征进行建模处理,可以通过约束条件的多少调节模型对已知数据的拟合程度和对未知数据的适应度,并自然地解决统计模型中参数平滑的问题。实验表明,最大熵模型具有较高的预测准确率,同时,在建模过程中引入音乐相似度对特征信息函数进行选择,可以提高系统性能。

基于矢量量化的弦乐颤音自动检测

自动音乐标注是音频信息检索的基础,并可广泛应用于辅助音乐教学、辅助音乐创作等许多音乐相关领域。然而,在弦乐器演奏的音乐中存在着大量用于修饰或表现乐曲情感、风格的颤音。在对这类乐器的自动音乐标注中,如果不进行颤音检测而直接进行标注容易出现错误。对基于矢量量化的弦乐颤音识别方法进行了研究,提出了一种用于对整段音乐进行颤音检测的方法。实验证明这种方法是精确有效的。