本文提出使用神经模型重编程(NMR)对预训练模型进行修改,适应音乐分类等输入复杂的低资源任务。实验结果表明,使用 NMR 的迁移学习方法比微调方法更适用于小型音乐风格分类数据集。
Nov, 2022
本文介绍了一个新的大规模音乐数据集 MusicNet,旨在为音乐研究的机器学习方法提供监督和评估,该数据集由 10 位作曲家创作的 11 种乐器的数百个自由许可的古典音乐录音以及关于它们的时间标签组成,其中包含的多标签分类任务以及多项基于机器学习结构的性能评估表明了末端到末端的神经网络在音符预测方面的学习效果最佳。
Nov, 2016
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。
Nov, 2015
本文介绍了一种名为模型再编程的新技术,通过从源域重新利用和重用开发良好的预训练模型来解决目标域中的任务,从而实现资源高效的跨域机器学习,其方法论、现有应用案例和开放性研究问题等均有详细阐述。
Feb, 2022
本文主要介绍 Electronic Music Production 中 sampling 的关键作用以及如何使用基于机器学习的自动分类技术对一次性乐器音频进行分类,重点评估了音频效果对分类准确性的影响。
Jul, 2019
本论文介绍一种基于上下文的词汇重映射模型,同时提出了针对该模型的白盒和黑盒训练流程,以实现通过敌对程序将 LSTM 等文本分类模型重新用于其他分类任务。
Sep, 2018
本文是一篇调查论文,研究了将自然语言处理(NLP)方法应用于符号音乐生成和信息检索的研究,提出了符号音乐的表示方法和深度学习模型,并讨论了 NLP 工具在符号音乐数据中的有效使用以及进一步研究的可能性。
Feb, 2024
通过研究训练数据的角度,本文通过在 MAESTRO 数据集的原始和重新执行版本上使用各种数据增强技术,获得了 MAPS 数据集的最新音符起始准确性,而无需查看其他的训练数据。
该研究探讨了如何使用 Transformer 结构生成多乐器音乐乐谱,使用 NES-MDB 数据集进行了实验并采用预训练方法利用 Lakh MIDI 数据集进一步提高生成效果。
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