基于卷积神经网络的吉他效果识别与参数估计
声音
2022-04-19 v1 机器学习
音频与语音处理
摘要
尽管吉他效果很流行，但关于从吉他录音中对特定插件或效果单元进行分类和参数估计的现有研究很少。在本文中，卷积神经网络被用于 13 种过载、失真和法兹吉他效果的分类和参数估计。我们构建了一个处理后的电吉他样本新数据集，包含四个子数据集，由单音或复音样本以及离散或连续设置值组成，总计约 250 小时的处理后样本。对在同一子数据集或不同子数据集上训练和测试的网络的結果进行了比较。我们发现离散数据集可以带来与连续数据集同样高的性能，同时更易于设计、分析和修改。分类准确率高于 80%，混淆矩阵反映了效果音色和电路设计的相似性。参数值在 0.0 到 1.0 之间时，平均绝对误差在大多数情况下低于 0.05，而均方根误差除一种情况外均低于 0.1。
引用
@article{arxiv.2012.03216,
title = {Guitar Effects Recognition and Parameter Estimation with Convolutional Neural Networks},
author = {Marco Comunità and Dan Stowell and Joshua D. Reiss},
journal= {arXiv preprint arXiv:2012.03216},
year = {2022}
}