神经循环组合器：用于评估循环兼容性的神经网络模型
声音
2022-02-18 v2 信息检索
机器学习
音频与语音处理
摘要
使用 loop 的音乐制作人在 loop 库中可能有数千个 loop 可用，但找到兼容的 loop 是一个耗时的过程；我们希望通过自动化来减轻这一负担。用于估计兼容性的最先进系统，如 AutoMashUpper，大多基于规则，并可通过机器学习加以改进。要训练模型，我们需要一组带有真值兼容性值的 loop。不存在这样的数据集，因此我们从现有音乐中提取 loop 以获得兼容 loop 的正例，并提出并比较了选择负例的各种策略。为可复现性，我们从 Free Music Archive 策划数据。利用该数据，我们研究了两类用于估计 loop 兼容性的模型架构：一种基于连体网络（Siamese network），另一种为纯卷积神经网络（CNN）。我们开展了一项用户研究，参与者对每种模型所建议组合的质量进行评分，发现 CNN 优于连体网络。两种基于模型的方法均优于基于规则的方法。我们已开源构建模型和数据集的代码。
引用
@article{arxiv.2008.02011,
title = {Neural Loop Combiner: Neural Network Models for Assessing the Compatibility of Loops},
author = {Bo-Yu Chen and Jordan B. L. Smith and Yi-Hsuan Yang},
journal= {arXiv preprint arXiv:2008.02011},
year = {2022}
}
备注
Accepted to the 21st International Society for Music Information Retrieval Conference (ISMIR 2020)