Jul, 2023

基于歌词的带有情感标签的符号音乐数据集 Emotion4MIDI

PDF
TL;DR我们提出了一个新的大规模情感标记的符号音乐数据集，该数据集包括 12k 首 MIDI 音乐。通过在 GoEmotions 数据集上训练情感分类模型，我们实现了半基线模型大小的先进结果。然后，我们将这些模型应用到两个大规模 MIDI 数据集的歌词上。我们的数据集涵盖了广泛的细粒度情感，为探究音乐与情感之间的联系以及基于特定情感生成音乐的模型的发展提供了宝贵的资源。我们的推断代码、训练模型和数据集在网上可获得。
large-scale emotion-labeled symbolic music datasetemotion classification modelsgoemotions datasetmidi datasetsmusic generation
发现论文，激发创造
  • EMOPIA：一种用于情感识别和基于情感音乐生成的多模态流行钢琴数据集

    本文介绍了 EMOPIA 数据集 —— 一个音频和 MIDI 综合的多模态数据库，着重于流行钢琴音乐中的情感。数据集包含 1087 个音乐片段，涵盖了 387 首歌曲，具有 4 个专业标注员标注的片段级情感标签。在该数据集上，我们提出了音乐情感分类和基于情感的音乐生成模型，并通过模型训练和评估证明了 EMOPIA 在未来的研究中具有很高的潜力。

    Aug, 2021

  • 自动音乐情感识别的新多标签系统

    本研究从机器学习角度分析了 Geneva Emotional Music Scale 9 在 Emotify 音乐数据集中的适用性，探讨了情感通过音乐表达感染的自动识别。

    May, 2019

  • MidiCaps -- 一个带有文本说明的大规模 MIDI 数据集

    通过结合语言模型与音乐编码的 MidiCaps 数据集，该研究旨在推动生成模型在文本到 MIDI 的领域的发展，并促进音乐信息检索和自然语言处理交叉领域的进展。

    Jun, 2024

  • 基于连续情感条件的符号音乐生成

    本篇论文提出了一种新的方法用于生成多乐器符号音乐并能获得更高的情感表达，该方法利用了一个基于变换器的连续情感标签，同时，还提供了一个带有情感标签的大规模符号音乐数据集，并通过音符预测精度和情感平面的回归任务进行了数量化评估，结果表明我们的方法超越了当前技术水平。

    Mar, 2022

  • 音乐多模态：从高级音频特征和歌词预测音乐情感

    本文旨在研究多模态方法是否能在高级歌曲特征和歌词上比单一模态更好地预测歌曲情感得分，结果显示多模态特征在预测愉悦度时比纯音频好，其中 5 种高级歌曲特征对模型性能的贡献最大。

    Feb, 2023

  • GoEmotions：一份包含细致情绪的数据集

    介绍了 GoEmotions，这是目前最大的手动标注的数据集之一，其中包含 58k 英文 Reddit 评论，并将其标记为 27 种情感类别或中性。通过传递学习实验，证明了该数据集具有良好的泛化性能，BERT-based 情感检测模型取得了.46 的平均 F1 分数。

    May, 2020

  • GiantMIDI-Piano：古典钢琴音乐的大规模 MIDI 数据集

    本文创建了一个具有 38700838 个音符和 10855 个独奏钢琴作品的 GiantMIDI-Piano dataset，使用卷积神经网络探测独奏钢琴作品，并使用高分辨率钢琴转录系统将这些作品转录为 MIDI 文件，可用于音乐信息检索和音乐分析。

    Oct, 2020

  • 基于深度神经网络的音频和歌词的音乐情感检测

    本研究考虑了基于音频信号和歌词的多模态音乐情绪预测任务，复现传统特征工程方法的基础上提出了一种基于深度学习的新模型，证明了新方法相较于传统模型更擅长于唤起用户的注意，而在情感预测上两种方法表现相当。此外，我们还比较了不同的融合方法，在同时优化各单模态模型时取得了较大的提升，并向公众发布部分数据以供参考。

    Sep, 2018

  • 基于 Transformer 的歌词情感识别方法

    本研究使用了基于 Transformer 的 XLNet 模型，首次探索结合歌词进行音乐情感识别。实验表明该方法的性能优于现有基于其他特征的方法。本研究为情感音乐播放列表生成和音乐推荐系统的改进等提供了重要的启示。

    Jan, 2021

  • 音乐情感预测数据集、模型与尚存挑战简要调查

    深度学习模型在音乐方面取得了巨大的进展，但现如今机器学习模型在准确捕捉情感方面有多好以及研究人员面临哪些挑战呢？本文提供了可用的音乐情感数据集的综合概述，讨论了评估标准以及该领域中的竞赛，并简要概述了多种音乐情感预测模型，为该领域内的多样化方法提供了见解。通过这个研究，我们强调了在准确捕捉音乐情感方面存在的挑战。鉴于该领域的动态性，我们还未我们的发现补充了一个相应的 GitHub 仓库。该仓库包含了音乐情感数据集和最近的预测模型的全面列表。

    Jun, 2024