Nov, 2016

深度聚类和传统网络用于音乐分离：攜手更強大

PDF
TL;DR本文探讨了 Deep clustering 在音频和音乐源分离任务中的表现，发现其优于传统网络，同时也成功地将其与传统网络可拼接在一起，构建出一个更为强大的混合网络。
deep clusteringaudio separationmusic source separationembedding spacehybrid network
发现论文，激发创造
  • 深度聚类：用于分割和分离的判别嵌入

    本文提出了一种称为 “深度聚类” 的深度学习框架，通过使用光谱图嵌入进行声源分离，从而实现类无关的信号分离，大大降低了领域分割成本，并且不依靠类别给出类标签，具有将不同源集合的潜力。

    Aug, 2015

  • 使用深度聚类的单通道多说话者声音分离

    本文使用基于深度学习的深度聚类方法及信号逼近技术，改进基线深度聚类算法，显著补偿了音频信号分离中的低信噪比问题，实现了在多说话人场景下的语音信号分离，通过自动语音识别实验，该算法在混响背景下将语音识别错误率从 89.1% 降至 30.8%，有效解决了鸡尾酒会效应问题。

    Jul, 2016

  • 基于音频查询的音乐源分离

    这篇论文提出了一种基于音频查询的音乐源分离方法，可以通过查询信号明确地编码源信息，以及在无查询条件下生成通过潜空间插值连续输出的分离掩模。

    Aug, 2019

  • 音乐源分离的类条件嵌入

    该论文介绍一种使用深度聚类和深度吸引子网络的方法，将音乐混合中的所有乐器的时频图嵌入到一个共同的嵌入空间中，并使用混合高斯模型生成参数，从而实现对音乐源的分离，同时嵌入空间具有易于解释性。

    Nov, 2018

  • 可微分参数源模型的无监督音乐源分离

    本文提出了一种无监督的基于模型的深度学习方法，用于音频源分离，该方法通过参数化源过滤器模型对每个源进行建模，并使用神经网络以基本频率估计源模型的参数来重构观察到的混合音频信号，实验证明该方法具有较高的数据效率和好的分离效果。

    Jan, 2022

  • 使用声音分类改进通用声音分离

    本文研究基于深度学习、语义嵌入和分类网络应用于通用声源分离，并成功建立了新的最先进的模型，从而提高了声源分离的性能。

    Nov, 2019

  • 应用于歌声分离的对抗半监督音频源分离技术

    本文介绍了一种新的音乐源分离算法，使用对抗训练让分离器的输出更加真实，并取得了对于歌声分离的较好效果。

    Oct, 2017

  • 用于计算机听觉的源分离和深度可分离卷积

    提出一种将源分离和最先进的表示学习技术相结合的特征表示方法来优化计算机听觉（即机器听力），在一组挑战性的电子舞曲（EDM）数据集上训练深度可分离卷积神经网络，将其性能与操作源分离和标准光谱图的卷积神经网络进行比较，表明在有限数据环境下，源分离提高了分类性能。

    Dec, 2020

  • 多通道盲源分离的深度聚类模型无监督训练

    提出了一种通过无监督的空间聚类算法训练深度聚类系统，从而在没有并行清洁数据时从头训练基于神经网络的源分离算法的方案。

    Apr, 2019

  • 用于音频源分离的多尺度多频带 DenseNets

    采用 DenseNet 架构的音频源分离方法在 SiSEC 2016 竞赛中表现优异，具有更好的信号失真比和更少的参数、更短的训练时间。

    Jun, 2017