面向人类在回环中的音符检测：马拉卡图的迁移学习方法

我们探索了用于 Afro-Brazilian Maracatu 传统中音符检测的迁移学习策略，该传统具有挑战常规模型的复杂节奏模式。我们对两种时序卷积网络架构进行改造：一种是为音符检测（同一任务内）预训练的，另一种是为节拍跟踪（跨任务）预训练的。仅使用每个乐器 5 秒的标注片段，我们通过分层重新训练策略对这两种模型进行微调，以适应五种传统打击乐器。我们的结果显示，基线性能得到了显著提升，在同一任务内的最佳情形下 F1 分数可达 0.998，跨任务适应在最佳情况下提升了 50 个百分点以上。跨任务适应对时间保持乐器尤其有效，因为音符天然与节拍位置对齐。最佳微调配置因乐器而异，突显了乐器特定适应策略的重要性。这一方法解决了欠代表性音乐传统的挑战，提供了一种高效的人类在回环方法，既最小化了标注工作量，又最大化了性能。我们的发现促进了适用于西方音乐语境之外的更包容性音乐信息检索工具的发展。