Jul, 2023

使用 ResNet 和 Bi-GRU 进行基于视觉频谱图的音乐类型分类

PDF
TL;DR本研究提出了一种新的方法，利用视觉谱图作为输入，并结合 ResNet 和 GRU 的混合模型，以提供对音乐数据更全面的分析，从而可能通过实现更全面的音乐数据分析和更准确的流派分类来改善音乐推荐系统。
music recommendation systemsgenre classificationautomatic music genre classificationdeep learninghybrid model
发现论文，激发创造
  • 音乐类型分类：使用 Mel 频率倒谱系数和 Mel 频谱图的 CNN 和 XGBoost 方法的比较分析

    研究通过比较研究了卷积神经网络（CNN）、VGG16 和 eXtreme Gradient Boosting（XGBoost）三种模型在不同特征上的表现，30 秒的梅尔频谱图和 3 秒的梅尔频率倒谱系数（MFCCs），结果表明 MFCC XGBoost 模型胜出，此外，在数据预处理阶段应用数据分割可以显著提升 CNN 的性能。

    Jan, 2024

  • 音乐类型分类广播网络研究

    本文探讨了基于广播的神经网络，旨在提高音乐类型分类的定位和普适性，研究了十二种不同的广播网络结构，并对块配置、池化方法、激活函数、标签平滑、通道相互依赖、LSTM 块等方面进行了讨论，使用 GTZAN、Extended Ballroom、HOMBURG 和 Free Music Archive 等数据集进行了计算实验，结果表明本文提出的方法在音乐类型分类方面具有先进性和潜力.

    Aug, 2022

  • 音乐类型分类：训练一个 AI 模型

    通过使用机器学习算法和从音频信号提取的特征进行音乐流派分类，本研究旨在评估机器学习模型在流派分类中的鲁棒性并进行结果比较。

    May, 2024

  • 使用分层注意力网络实现基于歌词的音乐流派分类

    本文使用循环神经网络模型对大规模的歌曲歌词数据集进行音乐流派分类，并在此基础上利用分层注意力网络（HAN）实现在不同层级的特征学习以分类音乐流派，该方法不仅在准确率上超过了先前的研究成果，而且还提供了洞察在语言特征和词汇结构方面不同的音乐流派之间的区别。

    Jul, 2017

  • cMelGAN：基于 Mel 频谱的高效条件生成模型

    研究了使用机器学习分析音乐的难点，提出了一种基于 Mel 频谱图和卷积神经网络架构的音乐创作生成模型 cMelGAN，并与基于音符的生成模型进行对比实验。

    May, 2022

  • 深度循环神经网络进行音频场景分类

    本文使用深度循环神经网络，将音频场景转换为一系列高级标签树嵌入特征向量序列，将其分割为多个子序列，并对序列进行标签分类，最终获得全局预测标签。在 LITIS Rouen 数据集上，实现了 97.7% 的 F1 分数，与该数据集上最佳结果相比，相对分类错误率减少 35.3%。

    Mar, 2017

  • 使用分辨率变换后的频谱图进行深度学习的调制分类

    本文提出了一种利用卷积神经网络生成频谱图进行自动调制分类的方案，该方案通过对不同信号进行分辨率变换以达到 99.61％的计算负载降低和 8 倍的速度提升。所提出的方法在现有 CNN 模型上评估表现，取得了 91.2% 的最佳分类准确率，并且对不同信噪比的实验结果表明，其在无线通信网络中进行实时应用的效率非常高。

    Jun, 2023

  • 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

  • 通过多算法分析和用户友好可视化提升音乐流派分类

    用五个不同独立的算法对用户上传的歌曲进行分析，通过有监督学习从事例中学习来识别歌曲的独特之处，特别考虑音乐的流派，最终用图形工具展示分析结果。

    May, 2024

  • 使用深度特征进行音频、文本和图像的多标签音乐分类

    本研究利用音频、文本和图片三种数据模式，将音乐项目分类到多个细粒度标签中，并利用首创的深度学习技术嵌入了特征分类，提出了 MuMu 数据集，并取得了更好的多标签音乐类型分类结果。

    Jul, 2017