Jan, 2024

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

PDF
TL;DR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。
music genre classificationautomatic annotationmachine learningdeep learningdata segmentation
发现论文，激发创造
  • 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 ResNet 和 Bi-GRU 进行基于视觉频谱图的音乐类型分类

    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。

    Jul, 2023

  • 使用机器学习方法进行音频分类

    本文应用机器学习方法，特别是监督学习，对音乐流派进行分类，通过提取音频文件特征并使用多种分类算法（如 LogisticRegression，SVC 和 DecisionTreeClassifier），将音乐分类为古典和重金属两个分类。

    May, 2023

  • 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

  • 使用 CNN 的声景分类方法比较研究

    本文研究了使用神经网络进行环境声音分类的三种不同类型的表示：谱图、MFCC 和嵌入式表示，并使用不同的 CNN 网络和自编码器来评估它们在分类准确度上的效果。我们发现使用谱图的分类准确度最高，而使用 MFCC 的准确度最低，同时提出了一些指导性的结论和方法来提高声音环境分类的准确度。

    Apr, 2022

  • 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

  • 基于 MFCC 的基于 Transformer 的音频分类序列标注

    该论文提出了一种基于 Transformer 编码器的音频分类模型，使用 MFCCs 作为输入特征，经过 ESC-50, Speech Commands v0.02, 和 UrbanSound8k 数据集的测试，获得了最高达 95.2% 的精度和轻量级的模型参数，是一种高效的音频分类方法。

    Apr, 2023

  • 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

  • 超越节拍：歌曲流行的诀窍？一个机器学习方法

    探索使用机器学习模型预测歌曲流行度的能力，以分析歌曲特征及其对流行度的影响，发现流派是主要的影响因素之一，尤其是电子舞曲，在预测流行度方面，随机森林模型表现最为有效。

    Mar, 2024

  • 基于 CNN 的自动音乐标记模型评估

    本文在三个数据集上对不同音乐标注模型进行一致的评估，并使用 ROC-AUC 和 PR-AUC 等常见评估指标提供参考结果，同时评估了模型的泛化能力。使用 PyTorch 提供预训练模型的实现，以保证可复制性。

    Jun, 2020