基于Mamba网络的半监督演唱旋律提取：置信二元正则化
声音
2025-05-14 v1 人工智能
音频与语音处理
摘要
演唱旋律提取（SME）是音乐信息检索领域的关键任务。然而，现有方法面临多个局限性：首先，先前模型使用Transformer捕获上下文依赖关系，这需要二次计算，在推理阶段效率低。其次，先前工作通常依赖频率监督方法估计基频（f0），忽略了音乐演奏实际基于音符。最后，Transformer通常需要大量标记数据才能实现最佳性能，但SME任务缺乏足够的标注数据。为解决这些问题，本文提出一种基于Mamba的网络，称为SpectMamba，用于置信二元正则化的半监督演唱旋律提取。具体而言，我们引入视觉Mamba实现计算线性复杂度。然后，我们提出一种新型的音符-f0解码器，使模型更好地模拟音乐演奏。进一步，为缓解标注数据稀缺问题，引入置信二元正则化（CBR）模块，通过最大化正确类别的概率来利用未标记数据。该方法在多个公开数据集上进行评估，实验结果表明我们提出的方法有效。
引用
@article{arxiv.2505.08681,
title = {A Mamba-based Network for Semi-supervised Singing Melody Extraction Using Confidence Binary Regularization},
author = {Xiaoliang He and Kangjie Dong and Jingkai Cao and Shuai Yu and Wei Li and Yi Yu},
journal= {arXiv preprint arXiv:2505.08681},
year = {2025}
}