版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、在音樂標(biāo)注領(lǐng)域,傳統(tǒng)標(biāo)注模型總是遵循一種固定的方式:從一組注釋的歌曲出發(fā),這組歌曲由音頻的特征向量來表示,由此學(xué)習(xí)一系列對應(yīng)不同標(biāo)注的模型來進(jìn)行預(yù)測。這種方式存在很大冗余;另一方面,大規(guī)模數(shù)據(jù)集的出現(xiàn)為模型設(shè)計帶來了新的思路。因此,本文從近年興起的深度學(xué)習(xí)入手,結(jié)合大規(guī)模的訓(xùn)練數(shù)據(jù),探索更加簡潔和準(zhǔn)確的標(biāo)注手段。
具體來說,本文首先基于自動音樂標(biāo)記研究的典型數(shù)據(jù)集:Magnatagatune數(shù)據(jù)集,對應(yīng)不同的特征輸入(梅爾頻譜
2、圖、頻譜圖、梅爾頻譜系數(shù)、原始音頻)設(shè)計了3種不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型,對比了它們在同一數(shù)據(jù)集(Magnatagatune數(shù)據(jù)集)上的效果,發(fā)現(xiàn)梅爾頻譜圖、原始音頻比頻譜圖以及梅爾頻譜系數(shù)等特征在音頻自動標(biāo)記上有明顯優(yōu)勢。然后我們設(shè)計了可視化模型來觀察訓(xùn)練好的模型參數(shù)中不同層的卷積核對怎樣的輸入有最強(qiáng)的響應(yīng),并且可視化了這些響應(yīng)。同時我們設(shè)計了不同深度的深度學(xué)習(xí)網(wǎng)絡(luò),在更大的數(shù)據(jù)集MSD(Million Song Dataset)的帶
3、標(biāo)記的子數(shù)據(jù)集(last.fm)上進(jìn)行了試驗,發(fā)現(xiàn)在更大的數(shù)據(jù)集上,層數(shù)更深的模型明顯優(yōu)于淺的模型,該結(jié)果與計算機(jī)視覺領(lǐng)域的最新研究成果相吻合。同時,通過對比相同模型在不同數(shù)據(jù)集上的表現(xiàn),我們能清晰地看到數(shù)據(jù)集大小的提升對于不同深度模型效果的重要影響。
本文的貢獻(xiàn)主要包括:
(1)設(shè)計了多種結(jié)構(gòu)的音樂自動標(biāo)記的深度學(xué)習(xí)模型,在Magnatagatune數(shù)據(jù)集上對比了不同音頻的中低層特征作為模型輸入的效果,發(fā)現(xiàn)梅爾頻譜
4、圖模型、原始音頻模型的效果明顯優(yōu)于頻譜圖模型、梅爾頻譜系數(shù)模型。同時,我們設(shè)計的原始音頻模型在該數(shù)據(jù)集上取得了優(yōu)于先前工作的AUC(Area Under Curve)。
(2)在更大的數(shù)據(jù)集MSD上對比了不同深度的模型的效果,發(fā)現(xiàn)深度更深的模型在更大的數(shù)據(jù)集上明顯表現(xiàn)出優(yōu)勢,同時也啟發(fā)我們數(shù)據(jù)集的大小對于發(fā)掘深度學(xué)習(xí)模型實際效果和潛力的重要影響。
(3)可視化已訓(xùn)練好的模型,發(fā)現(xiàn)在梅爾頻譜圖模型中更高的卷積層中的卷積
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 深度學(xué)習(xí)在醫(yī)學(xué)圖像分析中的應(yīng)用.pdf
- 深度學(xué)習(xí)在圖像語義分類中的應(yīng)用.pdf
- 深度學(xué)習(xí)在圖像分類中的應(yīng)用研究.pdf
- 深度學(xué)習(xí)在回歸預(yù)測中的研究及應(yīng)用.pdf
- 深度學(xué)習(xí)在人臉識別中的研究及應(yīng)用.pdf
- 深度學(xué)習(xí)在預(yù)后評估中的應(yīng)用研究.pdf
- 粒遷移學(xué)習(xí)方法及其在序列標(biāo)注中的應(yīng)用.pdf
- 深度學(xué)習(xí)在復(fù)雜金融時間序列中的應(yīng)用.pdf
- 深度學(xué)習(xí)在文本挖掘中的應(yīng)用研究.pdf
- 深度學(xué)習(xí)在圖像復(fù)原中的應(yīng)用研究.pdf
- 弱標(biāo)注環(huán)境下基于多標(biāo)簽深度學(xué)習(xí)的加速圖像標(biāo)注.pdf
- 深度學(xué)習(xí)在圖像識別中的研究及應(yīng)用.pdf
- 深度學(xué)習(xí)在局部放電模式識別中的應(yīng)用.pdf
- 基于深度學(xué)習(xí)的視覺特征在圖像檢索中的應(yīng)用.pdf
- 基于深度學(xué)習(xí)的醫(yī)學(xué)圖像標(biāo)注模型構(gòu)建研究.pdf
- 自動圖像標(biāo)注論文基于機(jī)器學(xué)習(xí)算法及自動圖像標(biāo)注
- 基于深度學(xué)習(xí)的圖像語義標(biāo)注與描述研究.pdf
- 深度學(xué)習(xí)在強(qiáng)雜波目標(biāo)檢測中的應(yīng)用研究.pdf
- 深度學(xué)習(xí)算法在表面缺陷識別中的應(yīng)用研究.pdf
- 深度學(xué)習(xí)算法在軟測量建模中的應(yīng)用研究.pdf
評論
0/150
提交評論