基于艺术家标签的音乐表示学习
声音
2018-06-20 v2 音频与语音处理
摘要
在音乐领域，特征学习主要通过两种方式开展：基于稀疏表示的无监督学习，或借助如音乐流派等语义标签的监督学习。然而，以无监督方式发现判别性特征具有挑战性，而使用语义标签的监督特征学习可能涉及噪声或高昂的标注成本。本文中，我们提出一种监督特征学习方法，使用每首曲目中标注的艺术家标签作为客观元数据。我们提出两种深度卷积神经网络（DCNN）来学习深度艺术家特征。一种是使用全部艺术家标签同时训练的普通DCNN，另一种是基于艺术家身份使用艺术家标签子集训练的Siamese DCNN。我们将训练好的模型应用于迁移学习设置下的音乐分类与检索任务。结果表明，我们的方法与先前最先进（state-of-the-art, SOTA）方法相当，表明所提方法能像使用语义标签学习的模型一样捕捉通用音乐音频特征。此外，我们讨论了两种模型的优缺点。
引用
@article{arxiv.1710.06648,
title = {Representation Learning of Music Using Artist Labels},
author = {Jiyoung Park and Jongpil Lee and Jangyeon Park and Jung-Woo Ha and Juhan Nam},
journal= {arXiv preprint arXiv:1710.06648},
year = {2018}
}
备注
19th International Society for Music Information Retrieval Conference (ISMIR), 2018