Apr, 2023

音乐相似度检索和自动标记中度量学习的自监督辅助损失

PDF
TL;DR本研究提出了一种基于自我监督学习方法的模型，通过介绍自我监督辅助损失的度量学习方法来解决基于相似性的检索挑战。实验结果表明，该方法可以增强检索和标记性能指标，可用于所有音乐曲目和部分音乐曲目的两种情况。
music information retrievalauto-taggingself-supervised learningmetric learningsimilarity-based retrieval
发现论文，激发创造
  • 自监督对比学习用于稳健的音乐 - 乐谱检索系统

    我们通过自监督对比学习的方法，研究了如何减轻多模态音乐检索模型中标注数据稀缺的限制，并提出了经过预训练的模型能够更好地检索音乐片段，并在交叉模态的作品识别任务中获得更好的检索质量的观察结果。

    Sep, 2023

  • 多任务自监督预训练用于音乐分类

    本文研究应用自监督学习和多任务学习方法预训练音乐编码器，探索编码器结构、损失权重和自监督任务选择对下游音乐分类任务的影响。研究发现，使用多种音乐特定的自监督任务，结合合理的损失权重平衡，可以提高和推广到下游任务。

    Feb, 2021

  • 音乐音频表示的适当对比自监督学习策略

    本文研究了不同对比自监督学习方案学习的音乐音频表示，并在不同的音乐信息检索任务中经验性地评估嵌入向量，以分析结果并讨论对不同 MIR 任务的适当对比学习策略方向，表明这些表示传达了关于音乐的听觉特征的综合信息，尽管每个自我监督策略在某些方面的信息方面有效。

    Jul, 2022

  • 多视图自监督方法在音乐标记中的实验比较

    在音乐领域应用自监督学习，通过研究和比较新的自监督方法，证明对比学习相对于其他自监督预训练方法在有限数据下游任务中始终能够取得更好的性能。

    Apr, 2024

  • 元辅助自监督广义化学习

    该研究提出了一种自动学习辅助标签的新方法，通过训练标签生成网络和多任务网络来改善任何监督学习任务的泛化能力，并展示了 Meta AuXiliary Learning (MAXL) 方法自监督的优势，该方法不需要额外数据就能在 7 个图像数据集上胜过单任务学习，并在自动生成的辅助标签方面超越其他基线。

    Jan, 2019

  • 自监督损失用于单类文本异常检测

    通过自我监督学习 Fine-tune Transformers，利用丢失作为异常分数，成功提升语义异常的 AUROC 分数 11.6％和句法异常的 22.8％。此外，所得到的最佳目标和学习表示因下游异常类型不同而异，且表示的可分离性对于检测语义异常更有效。

    Apr, 2022

  • 多任务学习和自监督实现高效的音频分类

    本研究旨在通过使用多任务学习和自监督学习提高基于 WaveNet 的大型神经网络在音频数据上的标签效率，并证明在有限的标记训练数据场景下，同时训练其他自监督任务可以显著提高分类性能。

    Oct, 2019

  • 音乐节奏估计的等变自监督

    本文提出了一种基于等变自监督信号来学习音频节奏表示的方法，避免了需要标注数据的缺点，而且不需要采用正则化或负采样等方法防止模型崩溃。实验证明，这种方法能够仅依靠等变自监督而获得与监督方法相当的性能，而且需要的计算资源较少，因此适用于广泛的研究社区。

    Sep, 2022

  • 音乐相似度的解耦多维度度量学习

    本文介绍了一个新的多维相似度度量方法，通过深度度量学习和基于音轨的信息相结合，将全局和专业的相似性策略融合在了一起，使得音乐相似度搜索的结果更准确。作者在用户研究中证明了该方法具有显著性能优势。

    Aug, 2020

  • 自监督学习用于音视频发言人分离

    提出自监督的音视频同步学习方法，通过引入动态三元组损失和多项式损失函数来解决说话人分离问题，结果表明该方法在人机交互系统中大幅提高了 F1 分数和降低了分离误差率，并且介绍了一个新的大规模中文音视频语料库。

    Feb, 2020