将艺术家群体因子迁移学习至音乐流派分类
机器学习
2019-01-15 v2 声音
音频与语音处理
机器学习
摘要
基于音频信息自动识别音乐流派是一项具有挑战性的问题，因为流派标签具有主观性和噪声。艺术家标签的主观性和噪声较小，而某些艺术家可能与某些流派有更强的关联。同时，在预测时，不能保证给定音频片段都有可用的艺术家标签。因此，在本工作中，我们提出应用迁移学习框架，学习艺术家相关信息，并在推理时用于流派分类。我们考虑不同类型的艺术家相关信息，通过艺术家群体因子来表达，这将有助于更高效的学习以及对潜在标签噪声更强的鲁棒性。此外，我们通过在 FMA 数据集上尝试多种迁移方法（包括单任务迁移、多任务迁移以及最终的多任务学习）来研究如何在该数据集上取得最高的验证准确率。
引用
@article{arxiv.1805.02043,
title = {Transfer Learning of Artist Group Factors to Musical Genre Classification},
author = {Jaehun Kim and Minz Won and Xavier Serra and Cynthia C. S. Liem},
journal= {arXiv preprint arXiv:1805.02043},
year = {2019}
}
备注
The Web Conference 2018