ICMLJun, 2012

建模高维序列中的时间依赖关系：应用于复调音乐生成和转录

PDF
TL;DR研究利用基于分布估计器的递归神经网络的概率模型来建模多声部音乐的问题，可以提高多声部转录的准确性。
polyphonic musicpiano-roll representationprobabilistic modelrecurrent neural networkmusical language model
发现论文，激发创造
  • 高维序列转导

    通过基于循环神经网络的概率模型将输入序列转换为高维输出序列来将复调音频音乐转录成符号表示，从而得到了在高噪声下能够产生合理输出分布的方法，并通过有效的算法大幅优于之前最先进的方法，在五个数据集上将测试误差率减半。

    Dec, 2012

  • 使用 RNN-DBN 模型建模时间依赖关系的复调音乐生成

    该论文提出了一种泛用的技术，将递归神经网络和深度置信网络相结合，用于建模时间依赖性和序列生成，特别适用于多声部音乐生成任务。

    Dec, 2014

  • 基于图的多音轨音乐生成

    该论文在音乐生成的深度学习系统中引入了一种新颖的图表示方法和深度变分自编码器，将音乐的结构和内容分开生成，实现了更具层次结构的人机交互音乐创作方式。

    Jul, 2023

  • 基于 Transformer 的序列到序列钢琴转录

    本文展示了使用通用 encoder-decoder Transformer 和标准解码方法可实现与专业领域特定设计模型同等效果的自动音乐转录方法，从而取消了任务特定架构的需求，简化了转录，为集中精力于数据集创建和标注而非模型设计提供了可能性。

    Jul, 2021

  • 音乐的深度学习

    本研究尝试使用深度神经网络建立生成模型，以生成既有和声和旋律，并且足以通过人类作曲的音乐，并利用端到端学习和生成的方法。

    Jun, 2016

  • 序列生成对抗网络生成多声部音乐

    本文提出了一种基于序列生成对抗网络的应用方法 (SeqGAN)，用于创建和捕获音符和和弦的多声部音乐序列的表征，同时利用神经网络从该嵌入式音乐词空间的模拟分布中学习预测序列的分布，实验表明该方法可以稳定地训练 GAN 并创造出具有音乐连贯性且在定量和定性方面均有所提升的音乐序列。

    Oct, 2017

  • 基于图形神经解码器的音乐层级预测

    本文提出了一种数据驱动的框架，以将音乐序列 解析为依赖树，该系统不依赖于任何特定的符号语法，可以同时考虑多种音乐特征，并利用序列上下文信息，可以轻松集成到现代深度学习管道中。在两个音乐数据集上测试表明，该方法优于先前的方法。

    Jun, 2023

  • 语言和音乐长记忆的统计研究

    本研究旨在解决长序列数据中具有长程依赖的表征和学习问题，采用长记忆随机过程的理论框架对深度学习体系结构中学习到的长程依赖进行调查和测试。

    Apr, 2019

  • 深度时间 Sigmoid 信念网络用于序列建模

    通过构建时序 Sigmoid 置信网络的层次结构，设计深动态生成模型，引入识别模型从变分后验中快速采样，提出的方法在多种序列数据上取得最先进的预测性能，能够合成各种序列。

    Sep, 2015

  • 基于神经自回归模型的高效实时钢琴转录

    通过改进神经网络设计和模型大小，实现实时推断的钢琴转录模型，与现有最先进模型在音符精确度上相媲美并具有高性能及轻量级特点。

    Apr, 2024