音乐源分离中迁移学习的研究

在有大量训练数据的领域中，用于音频源分离的监督深度学习方法可以非常有效。虽然某些音乐领域（如摇滚和流行流派）拥有足够用于训练分离系统的数据，但许多音乐领域却没有，例如古典音乐、合唱音乐和非西方音乐传统。众所周知，从相关领域迁移学习可以提升深度学习系统的性能，但如何最佳地进行预训练并不总是明确的。在这项工作中，我们研究了预训练期间数据增强的有效性、预训练与下游数据集具有相似内容领域对性能的影响，并探讨了一旦完成预训练，模型需在最终目标任务上重新训练多少。