岳阳网站建设哪里有/微信朋友圈推广软文

本文定义了一种用于预测音乐录音中的音符的多标签分类任务，以及一种评价协议，并对该任务的几种机器学习架构进行了基准测试:
i)从声谱图特征中学习;
ii)基于神经网络的端到端学习;
iii)卷积神经网络的端到端学习。

介绍

①学习特征进行低维度的表征，在音乐上也可以达到和图像领域的效果
②以有监督的方法学习数据，
MusicNet标签来自513个标签类，使用最简单的类定义:不同的乐器/音符组合。
表1中报告的故障显示了数据集中每个工具出现的不同注释的数量。
例如，一架钢琴有88个键，其中只有83个键在MusicNet中被演奏。
对于许多任务来说，一个note的值将是它的标签的一部分，在这种情况下，类的数量将在取类集合与值集合的笛卡尔积之后大约增加一个数量级:四分之一音符、八分音符、三连音，等等。
标签有规律地在时间序列中重叠，创建多音多标签。
由于这位作曲家在演奏团体中很受欢迎，MusicNet网站偏向于贝多芬。
数据集也偏向于钢琴独奏，因为钢琴作品有大量的数字乐谱可用。
出于训练的目的，研究人员可能希望扩大这个数据集，以增加在MusicNet中没有得到充分表现的乐器(如长笛和双簧管)的覆盖率。
商业记录可用于此目的，并使用第3节中描述的校准协议进行标记。

数据架构