IJCAIMay, 2024

感知启发的图卷积在音乐理解任务中的应用

PDF
TL;DR我们提出了一种新的图卷积块，称为 MusGConv，专门为高效处理音乐乐谱数据而设计，并根据一般感知原理进行了激发。它关注音乐的两个基本维度，音高和节奏，并考虑了这些组成部分的相对和绝对表示。我们在四个不同的音乐理解问题上评估了我们的方法：单声部分离、和声分析、乐句检测和作曲家识别，这在抽象术语中转化为不同的图学习问题，即节点分类、链接预测和图分类。我们的实验证明了 MusGConv 在以上三个任务上改善了性能，同时概念上非常简单和高效。我们解释这一结果是证据表明，在开发音乐乐谱数据的图网络应用时，包括基本音乐概念的感知驱动处理是有益的。
musgconvgraph convolutional blockpitchrhythmperception-informed processing
发现论文，激发创造
  • 具有歌曲结构图分析的组合音乐生成模型

    提出了一种符号音乐生成模型，使用了歌曲结构图分析网络构建了一个图，利用音符序列和乐器等信息作为节点特征，音符序列之间的相关性作为边特征。通过训练图神经网络来获取图中节点的表示，然后将节点表示作为 Unet 的输入生成 CONLON 钢琴滚动图像潜变量。实验结果表明，该模型可以生成全面形式的音乐，为符号音乐生成提供了一种有前景且创新的方法，并在音乐信息检索的各个领域，包括音乐创作、音乐分类和音乐修复系统中具有潜在的应用价值。

    Dec, 2023

  • 基于图的多音轨音乐生成

    该论文在音乐生成的深度学习系统中引入了一种新颖的图表示方法和深度变分自编码器，将音乐的结构和内容分开生成，实现了更具层次结构的人机交互音乐创作方式。

    Jul, 2023

  • 使用图神经网络对古典音乐符号的节奏检测

    本文介绍了将符号乐谱视为图形来解决 Cadence 检测任务的方法，使用 Graph Convolutional Network 作为分类器，并证明了该方法可以检测多个层次的粒度。

    Aug, 2022

  • 卷积的反向旋律

    该研究使用卷积神经网络和阻塞 Gibbs 抽样方法生成音乐，比传统生成方法更加人性化和高质量。

    Mar, 2019

  • PerformanceNet: 多频段卷积残差网络得分转音频音乐生成

    提出了一个深度卷积模型，学习了乐谱和音频之间的符号表示之间的得分与音频之间的映射，通过用户研究发现，该模型在自然度和情感表现方面的平均意见分数高于 WaveNet 模型和两个商业声音库。

    Nov, 2018

  • 音乐分类和回归任务的迁移学习

    本文介绍了一种基于转移学习的音乐分类和回归任务的方法，使用预训练的卷积网络提取出用于多个层次的特征向量进行音乐分类及回归。经实验证明，相较于传统的低、高层次的音乐特征和 MFCC 特征，使用卷积神经网络 (convnet) 作为特征提取方法的结果更好且具有通用性。

    Mar, 2017

  • GraphMuse: 用于符号音乐图处理的库

    GraphMuse 是一个图处理框架和库，用于有效处理音乐图表和符号音乐任务的 GNN 训练。它包括针对音乐音符的有意义行为的新的邻居采样技术和集成的分层建模元素，通过两个具体音乐预测任务的实验证明了其在性能上的显著改进。希望 GraphMuse 将提升和标准化基于图表示的符号音乐处理。

    Jul, 2024

  • 基于螺旋曲线的深度卷积神经网络在乐器识别中的应用

    本研究调查了构建学习卷积网络用于乐器识别的问题，并对三种不同的权重共享策略进行了性能测试，结果表明混合三种卷积层在单个深度学习体系结构中的效果最佳。

    May, 2016

  • 可以最终模拟本地结构的图卷积

    我们提出了一种很简单的方法来修改 GIN 卷积，以便使网络可以检测到很小的环，这对于在化学上下文中对图形子结构进行分析的下游任务非常重要。在真实的分子属性数据集上进行测试，我们的模型始终改善了大型多任务数据集的性能，无论是在全局还是在每个任务的设置中。

    Nov, 2020

  • 动态图卷积网络

    该论文提出了两种结合长短时记忆网络和图卷积网络的方法以联合利用结构化数据和时间信息来管理动态图，通过实验结果证明了这种方法的优越性。

    Apr, 2017