基于自相似性与新颖性损失的音乐结构分析
声音
2023-09-06 v1 机器学习
音频与语音处理
摘要
音乐结构分析（MSA）旨在识别组成音乐曲目的片段，并可能根据其相似性进行标注。本文针对音乐边界检测任务提出一种监督方法。在该方法中，我们同时学习特征与卷积核。为此，我们联合优化以下两项损失：基于所学习特征获得的自相似矩阵（SSM）的损失，记为 SSM-loss；以及基于将所学卷积核应用于估计的 SSM 得到的新颖性分数的损失，记为 novelty-loss。我们还证明，通过自注意力进行的相对特征学习有益于 MSA 任务。最后，我们在标准 RWC-Pop 以及 SALAMI 的多个子集上将本方法的性能与先前提出的方法进行比较。
引用
@article{arxiv.2309.02243,
title = {Self-Similarity-Based and Novelty-based loss for music structure analysis},
author = {Geoffroy Peeters},
journal= {arXiv preprint arXiv:2309.02243},
year = {2023}
}