基于深度学习的自动下拍跟踪：简要综述
信息检索
2019-12-11 v1 声音
音频与语音处理
摘要
作为一种重要的多媒体形式，音乐几乎充斥了每个人的生活。自动分析音乐是以轻松方式满足人们音乐检索与音乐推荐需求的重要一步。其中，下拍跟踪一直是音乐信息检索（MIR）领域的基础且持续存在的问题。尽管已有大量研究努力，下拍跟踪仍具挑战性。以往研究或聚焦于特征工程（通过信号处理提取特定特征，属半自动方案）；或存在某些局限：只能对有限拍号和速度范围内的音乐音频录音建模。近来，深度学习已超越传统机器学习方法并成为特征学习的主要算法；传统与深度学习方法的结合也取得了更好性能。本文首先介绍下拍跟踪问题的背景，随后详细讨论以下主题：系统架构、特征提取、深度神经网络算法、数据集及评估策略。此外，我们考察了年度基准评测——音乐信息检索评测交流（MIREX）——的结果以及软件实现方面的发展。尽管自动下拍跟踪领域已取得诸多成果，一些问题依然存在。我们指出这些问题，并总结未来研究的可能方向与挑战。
引用
@article{arxiv.1906.03870,
title = {Deep Learning-Based Automatic Downbeat Tracking: A Brief Review},
author = {Bijue Jia and Jiancheng Lv and Dayiheng Liu},
journal= {arXiv preprint arXiv:1906.03870},
year = {2019}
}
备注
22 pages, 7 figures. arXiv admin note: text overlap with arXiv:1605.08396 by other authors