mir_ref：面向音乐信息检索任务的表示评估框架
声音
2023-12-13 v2 信息检索
音频与语音处理
摘要
音乐信息检索（MIR）研究正越来越多地利用表示学习来获取更紧凑、更强大的音乐音频表示，用于各种下游 MIR 任务。然而，由于音频和标签预处理、下游模型和度量实现、数据可用性和计算资源方面的差异，当前的表示评估方法呈现碎片化，常导致不一致和有限的结果。在这项工作中，我们介绍了 mir_ref，一个专注于无缝、透明、本地优先的实验编排以支持表示开发的 MIR 表示评估框架。它具有多种组件的实现，如 MIR 数据集、任务、嵌入模型和结果分析与可视化工具，同时促进自定义组件的实现。为展示其效用，我们使用它对多个嵌入模型在各种任务和数据集上进行广泛评估，包括评估它们对各种音频扰动的鲁棒性以及从中提取相关信息的容易程度。
引用
@article{arxiv.2312.05994,
title = {mir_ref: A Representation Evaluation Framework for Music Information Retrieval Tasks},
author = {Christos Plachouras and Pablo Alonso-Jiménez and Dmitry Bogdanov},
journal= {arXiv preprint arXiv:2312.05994},
year = {2023}
}
备注
Machine Learning for Audio Workshop, Neural Information Processing Systems (NeurIPS) 2023, New Orleans, LA