在自动和弦提取任务中利用和弦标签间的音乐关系
声音
2019-11-15 v2 信息检索
机器学习
音频与语音处理
摘要
近期关于自动和弦提取（ACE）的研究聚焦于基于机器学习的模型改进。然而，大多数模型仍未能考虑底层标注字母表（和弦标签）的先验知识。此外，近期工作表明ACE性能正趋于玻璃天花板。因此，这促使需要关注任务的其他方面，例如在表示中引入音乐知识、改进模型以面向更复杂的和弦字母表，以及开发更适配的评估方法。本文中，我们提议利用和弦标签间的特定属性和关系以改进统计ACE模型的学习。为此，我们分析的和弦表示及其关联距离的相互依赖性、和弦字母表的精度，以及模型训练前或训练后字母表归约的影响。此外，我们提出基于音乐理论的新训练损失。我们表明这些改进了基于卷积神经网络的ACE系统结果。通过对结果进行深度分析，我们揭示了基于统计模型的ACE任务的一组相关洞见，并形式化了某些分类错误的音乐含义。
引用
@article{arxiv.1911.04973,
title = {Using musical relationships between chord labels in automatic chord extraction tasks},
author = {Tristan Carsault and Jérôme Nika and Philippe Esling},
journal= {arXiv preprint arXiv:1911.04973},
year = {2019}
}
备注
Accepted for publication in ISMIR, 2018