利用特征丰富编码改进复调音乐模型
声音
2021-08-11 v3 机器学习
音频与语音处理
机器学习
摘要
本文探讨了使用深度神经网络对复调音乐进行序列建模。尽管近期的突破集中于网络架构，我们证明了序列的表示方式对模型性能（以验证集损失衡量）的贡献可与架构同等重要。通过提取训练数据集中固有的显著特征，模型可以以这些特征为条件，或训练以预测这些特征作为被建模序列的额外组成部分。我们表明，训练神经网络预测一个看似更复杂的序列（在被建模序列中包含额外特征）可显著提升整体模型性能。我们首先介绍TonicNet，一种基于GRU的模型，其训练为先预测给定时间步的和弦，再预测该时间步各声部的音符，而非典型的仅预测音符的方法。随后我们在标准的JSB Chorales数据集上评估TonicNet并取得了最先进的结果。
引用
@article{arxiv.1911.11775,
title = {Improving Polyphonic Music Models with Feature-Rich Encoding},
author = {Omar Peracha},
journal= {arXiv preprint arXiv:1911.11775},
year = {2021}
}
备注
Proceedings of the 21st International Society for Music Information Retrieval Conference, ISMIR 2020