历史音乐手稿的少样本分类：一种few-shot学习方法

本文探讨了技术与文化保存之间的交叉点，发展一种用于分类历史音乐手稿中乐符的自监督学习框架。光学乐谱识别（OMR）在数字化和保存音乐遗产方面发挥着至关重要的作用，但历史文件常缺乏传统方法所需的标记数据。我们通过在未标记数据上训练神经网络特征提取器来克服这一挑战，从而实现最小样本的有效分类。我们的工作包括优化用于自监督卷积神经网络的裁剪预处理，并评估了包括支持向量机（SVM）、多层感知器和原型网络在内的分类方法。我们的实验结果显示，准确率达到了 87.66%，这表明了人工智能驱动的方法在通过先进的数字档案技术确保历史音乐为未来世代保存发挥了巨大的潜力。