一种面向歌唱查询的综合可训练误差模型
人工智能
2011-07-04 v1
摘要
我们提出了一种针对歌唱查询中误差的模型，它是隐马尔可夫模型（HMM）的一个变体。该模型旨在解决识别一个（通常充满错误的）歌唱查询与音乐作品数据库中潜在目标之间相似度的问题，这是音乐信息检索领域的一个重要问题。相似度度量是基于哼唱查询（QBH）应用的关键组成部分，这些应用在音频和多媒体数据库中搜索与口头查询高度匹配的内容。我们的模型全面表达了目标与查询之间的各种误差或变化类型：累积性和非累积性局部误差、移调、速度及速度变化、插入、删除和转调。该模型不仅表达能力强，而且可自动训练，即能够从查询示例中学习并进行泛化。我们展示了旨在评估模型判别潜力的仿真结果，以及使用真实歌唱查询进行的测试，以证明其与现实世界应用的相关性。
引用
@article{arxiv.1107.0054,
title = {A Comprehensive Trainable Error Model for Sung Music Queries},
author = {W. P. Birmingham and C. J. Meek},
journal= {arXiv preprint arXiv:1107.0054},
year = {2011}
}