ChordFormer：一种用于大词表音频和弦识别的Conformer架构

由于和弦在音乐分析中具有抽象和描述性的本质，和弦识别成为音乐信息检索中的一项关键任务。虽然音频和弦识别系统在小词表（例如，大/小三和弦）上已取得了显著的准确率，但大词表和弦识别仍是一个具有挑战性的问题。这种复杂性还源于和弦固有的长尾分布，即罕见的和弦类型在大多数数据集中代表性不足，导致训练样本不充分。有效的和弦识别需要利用音频序列的上下文信息，然而现有模型，如卷积神经网络、双向长短期记忆网络和双向Transformer的组合，在捕获长期依赖方面存在局限性，并且在大词表和弦识别任务上表现欠佳。本工作提出了ChordFormer，一种新颖的基于Conformer的架构，旨在解决大词表的结构化和弦识别（例如，三和弦、低音、七和弦）。ChordFormer利用将卷积神经网络与Transformer集成的Conformer块，从而使模型能够有效捕获局部模式和全局依赖。通过重加权损失函数和结构化和弦表示解决类别不平衡等挑战，ChordFormer优于SOTA模型，在大词表和弦数据集上帧级准确率提高了2%，类级准确率提高了6%。此外，ChordFormer在处理类别不平衡方面表现出色，在各种和弦类型间提供稳健且均衡的识别。该方法弥合了理论音乐知识与实际应用之间的差距，推动了大词表和弦识别领域的发展。