基于深度学习的利用梅尔谱与节奏谱特征的 EDM 子流派分类
音频与语音处理
2021-10-19 v1 机器学习
声音
摘要
随着音乐技术的发展，近年来出现了大量电子舞曲（EDM）的风格或“子流派”。虽然在音乐流派分类背景下区分 EDM 与非 EDM 的分类任务常被研究，但更具挑战性的 EDM 子流派分类工作很少。最先进的模型基于极端随机树，并可通过深度学习方法改进。在本文中，我们将最先进的音乐自动标注模型“short-chunkCNN+Resnet”扩展到 EDM 子流派分类，并增加了两种称为傅里叶节奏谱和自相关节奏谱的中级节奏相关特征表示。并且，我们探索了早期融合和晚期融合两种融合策略来聚合这两类节奏谱。我们使用包含 75,000 首歌曲、涵盖 30 个不同 EDM 子流派的大规模数据集评估所提模型，并表明采用深度学习模型和节奏特征确实带来了更高的分类准确率。
引用
@article{arxiv.2110.08862,
title = {Deep Learning Based EDM Subgenre Classification using Mel-Spectrogram and Tempogram Features},
author = {Wei-Han Hsu and Bo-Yu Chen and Yi-Hsuan Yang},
journal= {arXiv preprint arXiv:2110.08862},
year = {2021}
}