音乐体系分类：经典机器学习与深度学习方法的比较分析
声音
2026-03-17 v1 人工智能
音频与语音处理
摘要
自动音乐体系分类是音乐信息检索 (MIR) 中的长期存在的挑战；针对非西方音乐传统的工作仍寥寥无数。尼泊尔音乐包含丰富且声学多样化的体系——从Lok Dohori的呼唤-响应二重奏，到Deuda的节奏诗歌，再到Tamang Selo独特的旋律——这些都未被现有分类系统所覆盖。在本文中，我们构建了一个约8,000个标记的30秒音频剪辑的数据集，覆盖尼泊尔的八种音乐体系，并系统比较了九种分类模型的性能。五种经典机器学习分类器（Logistic回归、SVM、KNN、随机森林和XGBoost）在通过Librosa提取的51个手工特征上进行训练，而四种深度学习架构（CNN、RNN、并联CNN-RNN和顺序CNN后接RNN）则在640×128的Mel频谱图上运行。我们的实验表明，顺序卷积循环神经网络(CRNN)——即卷积层输入到LSTM中的网络——达到了84%的最高准确率，显著优于最佳经典模型（Logistic回归和XGBoost，均为71%）以及所有其他深度架构。我们提供每个类别的精确率、召回率、F1分数、混淆矩阵和ROC分析，并就误分类模式提供文化背景解释，这反映了尼泊尔音乐传统中真实的重叠。
引用
@article{arxiv.2603.15440,
title = {Music Genre Classification: A Comparative Analysis of Classical Machine Learning and Deep Learning Approaches},
author = {Sachin Prajuli and Abhishek Karna and OmPrakash Dhakl},
journal= {arXiv preprint arXiv:2603.15440},
year = {2026}
}
备注
8 pages