面向音乐分类与回归任务的迁移学习
计算机视觉与模式识别
2017-09-14 v4 人工智能
多媒体
声音
摘要
在本文中，我们提出了一种用于音乐分类和回归任务的迁移学习方法。我们建议使用预训练卷积网络特征，即使用已训练卷积网络中多层特征图激活值拼接而成的特征向量。我们展示了这种卷积网络特征如何作为通用音乐表示。在实验中，我们训练了一个用于音乐标记的卷积网络，并将其迁移到其他与音乐相关的分类和回归任务中。在所有考虑的任务中，该卷积网络特征均优于基线 MFCC 特征，也优于以往几种聚合 MFCC 以及低级和高级音乐特征的方法。
引用
@article{arxiv.1703.09179,
title = {Transfer learning for music classification and regression tasks},
author = {Keunwoo Choi and György Fazekas and Mark Sandler and Kyunghyun Cho},
journal= {arXiv preprint arXiv:1703.09179},
year = {2017}
}
备注
18th International Society of Music Information Retrieval (ISMIR) Conference, Suzhou, China, 2017