基于音频的音乐分类与标注的零样本学习
机器学习
2020-03-20 v2 多媒体
声音
音频与语音处理
摘要
基于音频的音乐分类与标注通常基于具有固定标签集合的分类监督学习。这本质上无法处理未见标签，例如新添加的音乐流派或用户为音乐检索任意选择的语义词。零样本学习可通过利用标签的附加语义空间来解决此问题，其中关于标签的侧面信息用于揭示彼此之间的关系。在本工作中，我们研究音乐领域的零样本学习，并组织了两类不同的侧面信息设置。其一基于 Free Music Archive 和 OpenMIC-2018 数据集使用人工标注的属性信息。其二是基于 Million Song Dataset 和 Last.fm 标签标注使用通用词语义信息。考虑到音乐曲目在音乐分类与标注数据集中通常为多标签，我们还提出了一种数据划分方案及相应的多标签零样本学习评估设置。最后，我们报告实验结果并讨论零样本学习在音乐领域的有效性及新的可能性。
引用
@article{arxiv.1907.02670,
title = {Zero-shot Learning for Audio-based Music Classification and Tagging},
author = {Jeong Choi and Jongpil Lee and Jiyoung Park and Juhan Nam},
journal= {arXiv preprint arXiv:1907.02670},
year = {2020}
}
备注
20th International Society for Music Information Retrieval Conference (ISMIR), 2019