音乐类型分类:训练一个 AI 模型
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
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
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
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
通过使用基于人工智能的生成音乐系统为音乐信息检索(MIR)任务生成训练数据,我们探讨了更广泛的概念。为了启动这个研究方向,我们进行了一项初步实验,利用 MusicGen 创建了一个完全人工的音乐数据集,在此基础上我们训练了一个流派分类器。我们制作了超过 50,000 个以流派为条件的文本描述,并生成了一系列覆盖五种音乐流派的音乐片段。我们的初步结果表明,所提出的模型能够从人工音乐曲目中学习到流派特定的特征,并在现实世界的音乐录音中推广得很好。
Nov, 2023
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
本文介绍了基于深度学习技术的音乐生成方法,包括早期使用人工神经网络的作品和最近的系统,使用现代深度学习技术和控制手段生成具有不同音乐风格的音乐。
Apr, 2020
本文介绍和分析运用人工神经网络生成音乐的不同方法,提出五个维度分析框架,包括目标、表示法、体系结构、挑战和策略,通过比较分析不同模型和技术,提出了一种新的多维分类法,并举例说明了目标、表示法、体系结构、挑战和策略的各种选择。
Sep, 2017
近年来,机器学习,特别是生成对抗神经网络(GANs)和基于注意力的神经网络(transformers),已成功用于作曲和生成音乐,包括旋律和多声部作品。然而,现有研究主要集中在风格复制和转换的问题上,并未涉及到人机共同创作和评估。本文综述了音乐表征、特征分析、启发式算法、统计和参数建模,人类和自动化评估措施,并讨论了哪种方法和模型最适合于实时互动。
Feb, 2024