SSM-Net：基于自相似矩阵损失的音乐结构分析特征学习
声音
2022-11-16 v1 机器学习
音频与语音处理
摘要
本文中，我们提出一种用于音乐结构分析（MSA）音频特征学习的新范式。我们训练一个深度编码器以学习特征，使得由这些特征得到的自相似矩阵（SSM）逼近一个真值 SSM。这是通过最小化两个 SSM 之间的损失来实现的。由于该损失相对于其输入特征可微，我们可以直接训练编码器。我们在 RWC-Pop 数据集上使用曲线下面积 ROC（AUC）成功展示了该训练范式的应用。
引用
@article{arxiv.2211.08141,
title = {SSM-Net: feature learning for Music Structure Analysis using a Self-Similarity-Matrix based loss},
author = {Geoffroy Peeters and Florian Angulo},
journal= {arXiv preprint arXiv:2211.08141},
year = {2022}
}
备注
Extended Abstracts for the Late-Breaking Demo Session of the 23rd Int. Society for Music Information Retrieval Conf., Bengaluru, India, 2022