STONE：自监督音调估计器

尽管深度神经网络能够估计音乐作品的调性，但其监督训练需要大量的标注工作。针对这一不足，本文提出了 STONE，即首个自监督音调估计器。STONE 背后的架构称为 ChromaNet，这是一个具备八度等价性的卷积神经网络，其输出为 12 个结构化 logits 的调性签名轮廓 (KSP)。首先，我们训练 ChromaNet 来回归任意两个未标记音乐片段之间的人工音高转位，其内在度量为圆 fifths (CoF) 中的 cross-power spectral density (CPSD)。我们观察到，这一自监督预文本任务导致 KSP 与调性调子相关。基于此观察，我们扩展 STONE 以输出 24 个结构化 KSP 的 logits，并引入监督以消除共享相同调性签名的大调与小调之间的歧义。应用不同amounts的监督，可得到半监督与完全监督的音调估计器，即 Semi-TONEs 和 Sup-TONEs。我们在 FMAK 数据集上对这些估计器进行评估，该数据集包含 5489 份真实音乐录音，并附有 24 种大调和小调的专家标注。我们发现，Semi-TONE 在相同监督条件下匹配 Sup-TONE 的分类准确率，而在相同监督条件下则优于 Sup-TONE。