使用掩蔽条件神经网络进行音乐流派分类
机器学习
2019-04-12 v2 机器学习
摘要
条件神经网络（CLNN）与掩蔽条件神经网络（MCLNN）利用了多维时间信号的性质。CLNN 捕捉窗口内各帧之间的条件时间影响，而 MCLNN 中的掩码在网络连接上施加了遵循类滤波器组模式的系统性稀疏性。该掩码诱导网络在频带中学习时频表示，使网络能够承受频率偏移。此外，MCLNN 中的掩码自动化了对一组特征组合的搜索，而这通常通过穷举式手动搜索完成。我们使用 Ballroom 与 Homburg 音乐流派数据集评估了 MCLNN 的性能。MCLNN 取得的准确率可与最先进的基于手工设计的方法以及基于卷积神经网络的模型相竞争。
引用
@article{arxiv.1802.06432,
title = {Music Genre Classification using Masked Conditional Neural Networks},
author = {Fady Medhat and David Chesmore and John Robinson},
journal= {arXiv preprint arXiv:1802.06432},
year = {2019}
}
备注
Conditional Neural Networks (CLNN), Masked Conditional Neural Networks (MCLNN), Conditional Restricted Boltzmann Machine (CRBM), Deep Belief Nets (DBN), Music Information Retrieval (MIR)