使用卷积神经网络自动识别多音乐器中的乐器

Nov, 2015

使用卷积神经网络自动识别多音乐器中的乐器

Automatic Instrument Recognition in Polyphonic Music Using Convolutional Neural Networks

Peter Li, Jiyuan Qian, Tian Wang

TL;DR本文介绍了利用卷积神经网络进行自动乐器识别的应用。在这个模型中，特征提取和学习算法是通过端到端方式一起训练的。通过基于原始音频训练的卷积神经网络所取得的结果表明，其性能优于那些依赖手工制作特征的传统方法。

Abstract

Traditional methods to tackle many music information retrieval tasks typically follow a two-step architecture: feature engineering followed by a simple learning algorithm. In these "shallow" architectures, feature engineering and learning are typically disjoint and unrelated. Additiona

music information retrieval convolutional neural networks feature extraction instrument identification raw audio

发现论文，激发创造

基于螺旋曲线的深度卷积神经网络在乐器识别中的应用

本研究调查了构建学习卷积网络用于乐器识别的问题，并对三种不同的权重共享策略进行了性能测试，结果表明混合三种卷积层在单个深度学习体系结构中的效果最佳。

May, 2016

基于音色和音高的帧级乐器识别

本文利用 MusicNet 数据集，建立并评估了一个卷积神经网络，实现基于帧级别标注的乐器识别，并尝试不同方法将音高信息融入模型，实现对于多乐器帧级别噪声的校准、乐器之间谐波比较分析等，实验结果表明相对于基线方法具有显著的性能提升。

Jun, 2018

使用预训练卷积神经网络进行多层级和多尺度特征聚合以达到音乐自动标记

本文提出了一种基于卷积神经网络（CNN）架构的音乐自动标记技术，该技术融合了多层级和多尺度特征，通过三个步骤的训练方式在音乐自动标记中表现出高效性并在 MagnaTagATune 数据集和 Million Song 数据集上超越了之前的 state-of-the-arts。实验证明该架构同样适用于迁移学习。

Mar, 2017

使用卷积神经网络学习表征进行 Cover 歌曲识别

本文提出了一种基于卷积神经网络的新型架构，用于解决音乐信息检索中的 Cover Song Identification 问题，随着分类策略的应用，该网络可训练出对节奏变化具有鲁棒性的模型，实验证明该方法在解决 cover song identification 问题方面表现优异。

Nov, 2019

PerformanceNet: 多频段卷积残差网络得分转音频音乐生成

提出了一个深度卷积模型，学习了乐谱和音频之间的符号表示之间的得分与音频之间的映射，通过用户研究发现，该模型在自然度和情感表现方面的平均意见分数高于 WaveNet 模型和两个商业声音库。

Nov, 2018

音乐分类和回归任务的迁移学习

本文介绍了一种基于转移学习的音乐分类和回归任务的方法，使用预训练的卷积网络提取出用于多个层次的特征向量进行音乐分类及回归。经实验证明，相较于传统的低、高层次的音乐特征和 MFCC 特征，使用卷积神经网络 (convnet) 作为特征提取方法的结果更好且具有通用性。

Mar, 2017

使用样本级深度卷积神经网络进行多层和多尺度特征聚合的音乐分类

本论文提出了一种将预训练特征提取器聚合多级和多尺度特征的音乐分类方法，特征提取器通过使用原始波形进行样本级深度卷积神经网络训练，表现出了在多个音乐分类数据集上的最新成果。

Jun, 2017

使用原始波形的音乐自动标记样本级 CNN 架构

本文介绍了一种基于改进了的 1 维卷积神经网络架构的音乐自动标记方法，该方法采用最先进的图像分类模型 ResNets 和 SENets 构建块，并添加多级特征聚合。结果表明，此方法在 MagnaTagATune 数据集上取得了显著改进，并在 Million Song 数据集上取得了可比结果。

Oct, 2017

卷积循环神经网络用于音乐分类

本研究引入了一种卷积循环神经网络（CRNN）进行音乐标记。研究中对比了使用 CNN 的三种不同结构来进行音乐标记的性能和每个样本的训练时间，并表明相对其他模型，CRNN 具有更好的效果和更少的参数和更快的训练时间，表明其混合结构在音乐特征提取和特征总结中的有效性。

Sep, 2016

使用深度卷积神经网络进行自动标记

本篇论文采用全卷积神经网络实现一种基于内容的自动音乐标记算法，通过在 MagnaTagATune 数据集上的实验，我们发现采用 mel-spectrogram 作为输入，4 层结构的全卷积神经网络在 AUC-ROC 分数方面达到了最先进的性能，但在 Million Song 数据集上则表明，更深的模型优于 4 层结构。实验证明 mel-spectrogram 是一种有效的时频表示方法，更复杂的模型能够从更多的训练数据中受益。

Jun, 2016