检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于标签深度分析的音乐自动标注算法

华南理工大学学报（自然科学版） 2019年第8期47卷 71-76页

作者：王振宇张睿高雨轩萧永乐华南理工大学软件学院

尽管深度神经网络算法在标签自动标注领域已取得一定的成果,但对于包含大量噪声标签的真实音乐数据集仍存在自动标注效果差的问题.为此,文中通过对音乐标签进行表示学习,挖掘音乐标签与音频特征之间的潜在关系,提出了基于标签深度分析... 详细信息

尽管深度神经网络算法在标签自动标注领域已取得一定的成果,但对于包含大量噪声标签的真实音乐数据集仍存在自动标注效果差的问题.为此,文中通过对音乐标签进行表示学习,挖掘音乐标签与音频特征之间的潜在关系,提出了基于标签深度分析的音乐自动标注算法.该算法先通过多层级卷积网络提取音频特征,再通过音乐标签向量的表示学习来降低噪声数据对音乐自动标注网络的不良影响.在真实音乐标注数据集上的实验结果表明,该算法能取得更高的平均受试者特征曲线下面积,标注效果优于其他自动标注算法.

关键词：音乐自动标注深度神经网络音乐标签向量

基于混合判别受限波兹曼机的音乐自动标注算法

在线全文

学校读者我要写书评

暂无评论

华东理工大学学报（自然科学版） 2017年第4期43卷 540-545页

作者：王诗俊陈宁华东理工大学信息科学与工程学院上海200237

对于音乐自动标注任务,在很多情况下,未标注的歌曲量远远超过已标注的歌曲数据,从而导致训练结果不理想。生成模型能够在某种程度上适应少量数据集的情况,得出较为满意的结果,然而,在有充分数据集的情况下生成模型的效果却劣于判别模型... 详细信息

对于音乐自动标注任务,在很多情况下,未标注的歌曲量远远超过已标注的歌曲数据,从而导致训练结果不理想。生成模型能够在某种程度上适应少量数据集的情况,得出较为满意的结果,然而,在有充分数据集的情况下生成模型的效果却劣于判别模型。本文提出了一种结合生成模型与判别模型两者优势的面向音乐自动标注的混合判别波兹曼机模型,该模型可明显提升音乐自动标注的准确率。实验结果表明,混合波兹曼机的效果不仅好于传统的机器学习模型,同时,模型在拥有足够训练数据量的情况下与判别模型效果相当,且在训练集较少的情况下效果也好于判别模型。另外,为了防止模型过拟合,还引入了Dropout规则化方法以进一步加强模型的性能。

关键词：音乐自动标注混合判别受限波兹曼机机器学习人工智能

基于降噪自动编码器特征学习的音乐自动标注算法

在线全文

学校读者我要写书评

暂无评论

华东理工大学学报（自然科学版） 2017年第2期43卷 241-247页

作者：黎鹏陈宁华东理工大学信息科学与工程学院上海200237

目前,音乐自动标注模型大多采用手动设计模式,因而存在最佳特征难以选择的问题。提出了一种基于非监督学习的特征学习算法,该算法能自动学习特征的潜在结构而不需要依赖先验知识。首先,预处理阶段主要提取音乐的音级轮廓频率谱并进行PC... 详细信息

目前,音乐自动标注模型大多采用手动设计模式,因而存在最佳特征难以选择的问题。提出了一种基于非监督学习的特征学习算法,该算法能自动学习特征的潜在结构而不需要依赖先验知识。首先,预处理阶段主要提取音乐的音级轮廓频率谱并进行PCA白化降维处理;然后,采用深度学习中的降噪自动编码器算法对降维后的特征进行无监督的学习,并采用最大值池化和取均值来聚合得到新的特征向量;最后,将特征向量和标签送入多层感知机中进行有监督的学习。基于Magnatagatune和GTZAN数据库的实验结果表明,本文算法在一定程度上提高了音乐自动标注的准确率。

关键词：深度学习音乐自动标注降噪自动编码器多层感知机

在线全文

学校读者我要写书评

暂无评论

基于深度学习的音乐自动标注方法研究

基于深度学习的音乐自动标注方法研究

作者：冯楚祎北京邮电大学

学位级别：硕士

伴随着当代信息科学技术的快速发展,多媒体资源飞速增长。音乐作为多媒体资源的重要形式之一,有着广泛的受众和高需求量的市场。为了使音乐检索和音乐推荐的服务质量与日益增长的用户需求相匹配,对音乐内容的深度挖掘与精准定位便显得... 详细信息

伴随着当代信息科学技术的快速发展,多媒体资源飞速增长。音乐作为多媒体资源的重要形式之一,有着广泛的受众和高需求量的市场。为了使音乐检索和音乐推荐的服务质量与日益增长的用户需求相匹配,对音乐内容的深度挖掘与精准定位便显得尤为重要。音乐标签,作为音乐片段所具备属性的抽象化总结,对其实现自动标注不仅可以节约大量的人力与时间,还有助于音乐标签的标准化和统一化,因此在音乐检索和音乐推荐中具有重要的地位。本文旨在研究基于深度学习的音乐自动标注方法,开展的主要工作如下:首先,对音乐自动标注任务进行分析,对常见的音乐自动标注方法进行研究。深入研究MagnaTagATune数据集,对音乐标签进行多维度的分析,根据音乐自动标注任务的需求和数据本身的特性,进行标签分类和标签融合,从原始音频中提取出梅尔频谱图作为音乐自动标注方法的输入信号。然后,提出一种新型的用于音乐自动标注的卷积循环神经网络,将卷积神经网络和循环神经网络以并行的方式结合起来,利用卷积神经网络对梅尔频谱图进行深层特征的抽取,利用循环神经网络对梅尔频谱序列进行时域总结,再将两种神经网络输出的结果进行整合,得到每种音乐标签的预测概率。最后,在卷积循环神经网络的训练阶段,采取动态设置学习速率的措施,针对不平衡的数据集采用加入惩罚因子的损失函数,提高模型训练的效果。实验选用受试者工作特征曲线和曲线下面积作为主要的评估指标,对本音乐自动标注模型和其他音乐自动标注模型进行t检验以验证本方法的独特性。实验表明,所提出的卷积循环神经网络标注准确率为95.4%,受试者工作特征曲线下面积为0.903,取得了目前最优的标注效果。

关键词：音乐自动标注深度学习卷积循环神经网络受试者工作特征曲线

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于歌词的音乐自动标注算法研究

基于歌词的音乐自动标注算法研究

作者：李俊岑北京邮电大学

学位级别：硕士

伴随着信息化和数字化时代的到来,海量数字化音乐数据的涌现,如何组织这些海量的音乐数据,便成为了工业界和学术界急需攻克的难题。音乐标注以生成音乐标签的形式对音乐语义进行描述,从而实现对大量音乐信息的快速检索、高效管理以及个... 详细信息

伴随着信息化和数字化时代的到来,海量数字化音乐数据的涌现,如何组织这些海量的音乐数据,便成为了工业界和学术界急需攻克的难题。音乐标注以生成音乐标签的形式对音乐语义进行描述,从而实现对大量音乐信息的快速检索、高效管理以及个性化推荐,进而解决可这个难题。当前,音乐标注主要有专家标注、社会化标注以及基于机器学习的自动标注三种方式:其中专家标注具有标签准确率较高的优点,但其成本高,且标签丰富度不足;而社会化标注标签丰富度很高,但是标签的准确率较低。基于机器学习的自动标注可以有效地解决前两种方法中的问题,因此该方法便成为了目前工业界和学术界的一个研究重点。歌词,作为歌曲的重要组成部分,具有丰富的语义信息;因此,通过歌词信息来实现对音乐歌曲的自动标注引起了研究者们的广泛关注。本文将基于歌词的音乐自动标注问题转化为基于短文本的多标签分类问题。在传统的中文文本分类方法的基础上,本文提出了改进的文本分类方法,利用字袋模型(bag-of-characters)替代了传统的词袋模型(bag-of-words)以进行短文本特征提取,从而减少了中文分词等文本预处理过程中引入的特征噪声;然后利用n-gram bag-of-characters的特征提取方法更加充分的利用中文文本信息,通过引入联合n-gram bag-of-characters的方法弥补了传统n-grams单元的稀疏性缺陷。同时,本文在利用字袋模型提取短文本特征的基础上进一步采用深度神经网络模型自动提取短文本深层语义特征,从而优化了基于歌词的中文音乐自动标注算法。本文所使用的深度神经网络模型主要是基于深度置信网络框架和卷积神经网络模型框架,通过实验进一步验证了基于深度神经网络模型的音乐标注算法的优良性能。最后,本文进一步将歌曲的音频信息引入到基于深度神经网络模型的音乐自动标注算法中搭建出基于混合语义特征的音乐自动标注算法,通过分别提取歌词和音频的深层语义特征,然后将两类语义特征联合起来共同训练音乐歌曲的深度混合特征以用于音乐的自动标注。实验证明,该基于混合特征的分类方法相比于仅利用歌曲音频信息或仅利用歌词信息进行音乐标注,效果均有所提高。

关键词：音乐自动标注字袋模型深度语义特征深度置信网络卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度神经网络的音乐自动标注技术研究

基于深度神经网络的音乐自动标注技术研究

作者：韩凝北京邮电大学

学位级别：硕士

数字音乐市场飞速发展带来了海量的数字音乐资源,在此背景下作为音乐的结构化信息组织方式的标签越来越重要。音乐标注一般是指通过生成音乐标签来对高层次的音乐语义进行描述,利用生成的音乐标签可以实现对大量音乐资源的高效管理、快... 详细信息

数字音乐市场飞速发展带来了海量的数字音乐资源,在此背景下作为音乐的结构化信息组织方式的标签越来越重要。音乐标注一般是指通过生成音乐标签来对高层次的音乐语义进行描述,利用生成的音乐标签可以实现对大量音乐资源的高效管理、快速检索甚至个性化推荐。目前工业界常用的解决音乐标注问题的方法,如人工标注、社会化标注等方式在数字音乐时代都面临着成本和质量问题。解决这一问题最有效途径之一就是提升自动标注模型的预测效果,基于内容的音乐标注任务成为了目前工业界和学术界的一个研究重点。然而传统的标注算法中仍存在着很多亟待解决的问题,包括特征设计过程中的噪声、分类器浅层结构的限制以及信号分析的短时间范围。近年来深度学习算法在学术界备受关注,其在图像、语音领域取得的进展表明该算法在音乐信息检索领域有很大潜力,可以期待其全面提升自动音乐标注任务的完成度,基于深度神经网络的音乐自动标注模型引起了研究者们的广泛关注。本文采用了以卷积神经网络和循环神经网络为代表的深度学习算法,主要针对华语歌曲,利用音乐在时间上的相关性从音乐的歌词文本、音频信号等原始信息中提取出高层抽象属性。由于目前音乐信息检索领域十分缺乏完整的中文音乐标注数据集,本文还构建了两个完备的标注音乐数据集以供进行实验验证。首先本文以歌词文本的字向量作为输入信息,提出了基于卷积神经网络的音乐自动标注模型。通过实验探讨了不同的输入表示方法、网络结构和超参数对模型性能的影响,验证了基于卷积神经网络的音乐标注模型的优良性能。然后本文以音频信号的梅尔频谱作为输入信息,提出了基于卷积神经网络的音乐自动标注模型,并在多个数据集上对模型效果进行了验证。还联合卷积神经网络和循环神经网络提出了一个混合网络结构模型,结合了两种网络结构的特性从音频信号中分段抽取深层表示再构成序列,有效地提高了自动标注效果。最后本文在前两个工作的基础上进一步提出了基于深度神经网络的多模态音乐自动标注模型。同时使用歌曲的音频信号和歌词文本,通过卷积神经网络分别提取歌词和音频的深层语义特征,然后将两种深度特征联合起来训练模型输出音乐标签。通过实验证明,该多模态音乐自动标注模型相比于仅输入音频信号或仅歌词文本的音乐自动标注模型效果均有所提高。

关键词：音乐自动标注卷积神经网络循环神经网络深度融合网络多模态方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于标签深度分析的音乐自动标注算法

基于标签深度分析的音乐自动标注算法

作者：萧永乐华南理工大学

学位级别：硕士

随着音乐社交媒体的快速发展,线上音乐资源快速增加,音乐类型日益多元化。丰富的音乐标注信息作为一种组织海量音乐数据的有效手段,成为在线音乐服务的重要部分。同时音乐自动标注作为一种音乐信息丰富的有效方法受到越来越多的关注与... 详细信息

随着音乐社交媒体的快速发展,线上音乐资源快速增加,音乐类型日益多元化。丰富的音乐标注信息作为一种组织海量音乐数据的有效手段,成为在线音乐服务的重要部分。同时音乐自动标注作为一种音乐信息丰富的有效方法受到越来越多的关注与研究。近年来,深度神经网络算法在音乐自动标注领域取得了巨大成功。尽管如此,真实音乐标注数据集存在大量标签噪声,影响音乐自动标注深度网络在训练和分析过程的可靠性,导致自动标注效果较差。噪声的不良影响无法直接通过深度神经网络结构优化解决。针对上述问题,本文主要完成以下几点工作:1)对一个大规模的音乐标注数据集进行分析,并研究标签噪声对卷积神经网络的影响,深入了解其中特性。研究发现标签噪声使网络在训练过程学习到更发散的映射关系,导致最终标注效果差。2)提出标签向量概念,并验证其合理性与有效性。根据数据集与音乐标签分析结果定义标签向量,挖掘音乐标签与音频之间的深层信息,并将标签向量用于音乐自动标注任务。3)提出基于标签深度分析的音乐标注算法。算法提取音频多层级特征,结合标签向量,提高音乐自动标注深度网络对标签噪声的鲁棒性,在真实标注数据集上得到更好的表现。基于百万音乐数据集上的实验结果表明本文通过预训练网络有效观察到了音乐标签与标签之间的深层关系。另外,基于百万音乐数据集、Magna Tag ATune数据集和真实商业数据集的实验结果表明在真实音乐标注数据集上,本文基于标签深度分析的音乐自动标注算法比其他最新的方法更有效。

关键词：音乐自动标注深度神经网络标签噪声标签向量

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于生成对抗网络的音乐标签自动标注

基于生成对抗网络的音乐标签自动标注

作者：陈培培南京邮电大学

学位级别：硕士

随着信息化和数字化时代的到来,互联网中涌现出了海量的音乐资源。音乐标签作为一种音乐的结构化信息组织方式,也随之受到越来越多的研究和关注。音乐标注作为一种丰富音乐信息的方式,它可以通过生成标签来描述音乐的语义内容,并且能够... 详细信息

随着信息化和数字化时代的到来,互联网中涌现出了海量的音乐资源。音乐标签作为一种音乐的结构化信息组织方式,也随之受到越来越多的研究和关注。音乐标注作为一种丰富音乐信息的方式,它可以通过生成标签来描述音乐的语义内容,并且能够有效地组织音乐资源,实现快速检索、高效管理以及个性化推荐等功能。目前,人工标注和社会化标注仍旧是工业界常用的音乐标注方法,而这些方法不仅面临成本问题且标注结果的质量参差不齐。因此,提高音乐自动标注系统的性能是当下急需解决的问题。在此背景下,本文提出了基于生成对抗网络的音乐标签自动标注。本文针对音乐的音频特征,对常用的Mel频率倒谱系数进行了改进,为了更好地模拟人耳特性,引入了伽马啁啾滤波倒谱系数(Gamma-chirp Filter Cepstral Coefficient,GCFCC)。为了获得音乐标签的主题类别,采用了LDA主题模型对音乐标签进行聚类。为了实现更好的音乐标签自动标注效果,本文采用了生成对抗网络的衍生模型InfoGAN,由此找到音乐的音频特征与语义特征之间的映射关系。在实验中,本文使用了准确率、召回率以及F1-measure对得到的实验结果进行了评价。本文对Mel频率倒谱系数和伽马啁啾滤波倒谱系数分别作为音频特征参数得到的实验结果进行了对比分析,同时与其他标注模型的实验结果作了比较分析。最终的实验结果表明,本文引入的基于改进Mel特征表示和InfoGAN模型有效地提升了标注系统的预测效果。

关键词：音乐自动标注伽马啁啾滤波倒谱系数 LDA模型生成对抗网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于生成对抗网络的音乐标签自动标注

南京信息工程大学学报（自然科学版） 2018年第6期10卷 754-759,792页

作者：陈培培邵曦南京邮电大学通信与信息工程学院南京210003

针对如何快速有效地对音乐信息进行查询、检索和组织的问题,提出了一种基于生成对抗网络模型的多标签音乐自动标注系统.通过音乐自动语义标注技术,可以提高音乐检索系统的性能.利用LDA方法对音乐标签进行聚类以获取主题类别,再通过生成... 详细信息

针对如何快速有效地对音乐信息进行查询、检索和组织的问题,提出了一种基于生成对抗网络模型的多标签音乐自动标注系统.通过音乐自动语义标注技术,可以提高音乐检索系统的性能.利用LDA方法对音乐标签进行聚类以获取主题类别,再通过生成对抗网络,找到音乐的音频特征与语义特征之间的映射关系.应用于CAL500数据集的5次交叉验证实验结果表明,该方法的综合性能指标与现有方法相比有较大的提升.

关键词：音乐自动标注 LDA模型生成对抗网络