用于钢琴演奏评估中音乐形态评价的孪生残差神经网络
声音
2024-01-08 v1 机器学习
多媒体
音频与语音处理
摘要
理解与识别音乐形态在音乐教育和演奏评估中起着重要作用。为简化原本耗时且成本高昂的音乐形态评价过程，本文探讨了人工智能（AI）驱动模型的应用。将音乐形态评价视为分类问题，提出了一种轻量级孪生残差神经网络（S-ResNN）以自动识别音乐形态。为在钢琴音乐形态评价背景下评估所提方法，我们构建了一个新数据集，包含源自 147 首钢琴预备练习曲的 4116 个音乐片段，涵盖 28 类音乐形态。实验结果表明，在精确率、召回率和 F1 分数方面，S-ResNN 显著优于多种基准方法。
引用
@article{arxiv.2401.02566,
title = {Siamese Residual Neural Network for Musical Shape Evaluation in Piano Performance Assessment},
author = {Xiaoquan Li and Stephan Weiss and Yijun Yan and Yinhe Li and Jinchang Ren and John Soraghan and Ming Gong},
journal= {arXiv preprint arXiv:2401.02566},
year = {2024}
}
备注
X.Li, S.Weiss, Y.Yan, Y.Li, J.Ren, J.Soraghan, M.Gong,"Siamese residual neural network for musical shape evaluation in piano performance assessment" in Proc. of the 31st European Signal Processing Conference, Helsinki, Finland