将节拍跟踪问题视为对象检测

近期的节拍和下拍跟踪模型（如 RNN、TCN、Transformer）输出帧级激活值。我们提出将该任务重新定义为对象检测，其中节拍和下拍被建模为时间上的“对象”。我们采用计算机视觉中的 FCOS 检测器，替换其原始背板为 WaveBeat 的时序特征提取器，并添加特征金字塔网络（Feature Pyramid Network）以捕获多尺度时序模式。该模型预测具有置信度分数的重叠节拍/下拍时间区间，随后通过非极大值抑制（Non-Maximum Suppression, NMS）选择最终预测。该 NMS 步骤在传统跟踪器中起到类似 DBNs（Dynamic Bayesian Networks）的作用，但更为简单和不带启发式方法。我们在标准音乐数据集上进行评估，结果表明该方法取得了具竞争力的性能，显示对象检测技术能够以最小适配方式有效地建模音乐节拍。