用于改进小提琴/钢琴盲源分离的混音专用数据增强技术
音频与语音处理
2020-08-07 v1 机器学习
声音
摘要
盲音乐源分离一直是音乐信息检索与信号处理界热门且活跃的研究课题。为应对有监督模型训练可用多轨数据缺乏的问题，近期工作表明，通过组合不同歌曲的轨来创建人工混合物的数据增强方法十分有用。循此思路，我们在本文中进一步考察了考虑现代音乐制作流程中更复杂的混音设置、待组合轨之间的关系以及静音因素的扩展数据增强方法。作为案例研究，我们考虑小提琴钢琴合奏中小提琴与钢琴轨的分离，依据常用指标即 SDR、SIR 和 SAR 评估性能。除考察这些新数据增强方法的有效性外，我们还研究了训练数据量的影响。我们的评估表明，所提出的混音专用数据增强方法有助于提升基于深度学习的源分离模型性能，尤其在训练数据较少时。
引用
@article{arxiv.2008.02480,
title = {Mixing-Specific Data Augmentation Techniques for Improved Blind Violin/Piano Source Separation},
author = {Ching-Yu Chiu and Wen-Yi Hsiao and Yin-Cheng Yeh and Yi-Hsuan Yang and Alvin Wen-Yu Su},
journal= {arXiv preprint arXiv:2008.02480},
year = {2020}
}
备注
Accepted to IEEE 22nd International Workshop on Multimedia Signal Processing (MMSP 2020)