面向乐器激活感知的音乐源分离的多任务学习
音频与语音处理
2020-08-04 v1 机器学习
摘要
音乐源分离是音乐信息检索中的核心任务，在过去几年中取得了显著改进。然而，大多数现有系统仅专注于源分离问题本身，而忽视了其他——可能相关的——MIR任务的利用，而这可能带来额外的质量提升。在本工作中，我们提出一种新颖的多任务结构，以探究利用乐器激活信息来改善源分离性能。此外，我们通过结合MedleyDB和Mixing Secrets数据集，在六种独立乐器上研究我们的系统，这比广泛使用的MUSDB数据集中包含的三种乐器更为真实。结果表明，我们提出的多任务模型在Mixing Secrets与MedleyDB数据集的混合上优于基线Open-Unmix模型，同时在MUSDB数据集上保持可比性能。
引用
@article{arxiv.2008.00616,
title = {Multitask learning for instrument activation aware music source separation},
author = {Yun-Ning Hung and Alexander Lerch},
journal= {arXiv preprint arXiv:2008.00616},
year = {2020}
}