論文の概要: Detecting Generic Music Features with Single Layer Feedforward Network
using Unsupervised Hebbian Computation
- arxiv url: http://arxiv.org/abs/2008.13609v1
- Date: Mon, 31 Aug 2020 13:57:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 07:11:10.771286
- Title: Detecting Generic Music Features with Single Layer Feedforward Network
using Unsupervised Hebbian Computation
- Title（参考訳）: 教師なし Hebbian Computation を用いた単一層フィードフォワードネットワークによるジェネリック音楽特徴の検出
- Authors: Sourav Das and Anup Kumar Kolya
- Abstract要約: 著者らは、人気のあるオープンソース音楽コーパスから、そのような特徴に関する情報を抽出する。
彼らは同じデータセットを使用して、一層ニューラルネットワークに教師なしのヘビアン学習技術を適用する。
教師なしトレーニングアルゴリズムは、提案したニューラルネットワークを強化し、音楽特徴の検出を成功させるために90.36%の精度を達成する。
- 参考スコア（独自算出の注目度）: 3.8707695363745223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the ever-increasing number of digital music and vast music track
features through popular online music streaming software and apps, feature
recognition using the neural network is being used for experimentation to
produce a wide range of results across a variety of experiments recently.
Through this work, the authors extract information on such features from a
popular open-source music corpus and explored new recognition techniques, by
applying unsupervised Hebbian learning techniques on their single-layer neural
network using the same dataset. The authors show the detailed empirical
findings to simulate how such an algorithm can help a single layer feedforward
network in training for music feature learning as patterns. The unsupervised
training algorithm enhances their proposed neural network to achieve an
accuracy of 90.36% for successful music feature detection. For comparative
analysis against similar tasks, authors put their results with the likes of
several previous benchmark works. They further discuss the limitations and
thorough error analysis of their work. The authors hope to discover and gather
new information about this particular classification technique and its
performance, and further understand future potential directions and prospects
that could improve the art of computational music feature recognition.
- Abstract（参考訳）: 人気の高いオンライン音楽ストリーミングソフトウェアやアプリを通じて、デジタル音楽や巨大な音楽トラック機能が増え続けている中、ニューラルネットワークを使った特徴認識は、最近さまざまな実験で幅広い結果を生み出す実験に利用されている。
この研究を通じて、著者らは人気のあるオープンソース音楽コーパスからこれらの特徴を抽出し、同じデータセットを用いて一層ニューラルネットワークに教師なしヘビアン学習技術を適用することにより、新しい認識手法を探求した。
著者らは,そのようなアルゴリズムが単一層フィードフォワードネットワークにおいて,音楽特徴学習をパターンとして学習する上でどのように役立つかをシミュレートするために,詳細な経験的知見を示す。
教師なし学習アルゴリズムは、提案されたニューラルネットワークを強化し、音楽特徴検出に成功するために90.36%の精度を達成する。
類似したタスクの比較分析のために、著者はいくつかの以前のベンチマークのような結果を出した。
彼らはさらに、仕事の限界と徹底的なエラー分析について論じている。
著者らは、この特定分類技術とその性能に関する新たな情報の発見と収集を希望し、計算音楽特徴認識の技術を改善する可能性のある今後の方向性と展望をさらに理解したいと考えている。
関連論文リスト
- Improving Musical Instrument Classification with Advanced Machine Learning Techniques [0.0]
近年の機械学習、特にディープラーニングの進歩により、楽器を音声信号から識別し分類する能力が強化されている。
本研究では,Naive Bayes,Support Vector Machines,Random Forests,AdaBoostやXGBoostといったBootingテクニックなど,さまざまな機械学習手法を適用した。
これらの手法の有効性を,注釈付き音声の大規模リポジトリであるN Synthデータセットを用いて評価した。
論文 参考訳（メタデータ） (2024-11-01T00:13:46Z) - Self-Supervised Contrastive Learning for Robust Audio-Sheet Music
Retrieval Systems [3.997809845676912]
自己指導型コントラスト学習は、実際の音楽コンテンツからの注釈付きデータの不足を軽減することができることを示す。
クロスモーダルなピース識別の高レベルなタスクにスニペットを埋め込む。
本研究では,実際の音楽データが存在する場合,検索品質が30%から100%に向上することが観察された。
論文 参考訳（メタデータ） (2023-09-21T14:54:48Z) - Comparision Of Adversarial And Non-Adversarial LSTM Music Generative
Models [2.569647910019739]
この研究は、MIDIデータに基づいて、リカレントニューラルネットワーク音楽作曲家の敵対的および非敵対的な訓練を実装し、比較する。
この評価は, 対人訓練がより審美的に楽しむ音楽を生み出すことを示唆している。
論文 参考訳（メタデータ） (2022-11-01T20:23:49Z) - Deep Feature Tracker: A Novel Application for Deep Convolutional Neural
Networks [0.0]
本稿では,特徴を確実に追跡する方法を学習できる,新しい,統合されたディープラーニングベースのアプローチを提案する。
Deep-PTと呼ばれる提案ネットワークは、畳み込みニューラルネットワークの相互相関であるトラッカーネットワークで構成されている。
ネットワークは、特徴追跡データセットに特別なデータセットがないため、複数のデータセットを使用してトレーニングされている。
論文 参考訳（メタデータ） (2021-07-30T23:24:29Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Sequence Generation using Deep Recurrent Networks and Embeddings: A
study case in music [69.2737664640826]
本稿では,異なる種類の記憶機構(メモリセル)について評価し,音楽合成分野におけるその性能について検討する。
提案したアーキテクチャの性能を自動評価するために,定量的な測定値のセットが提示される。
論文 参考訳（メタデータ） (2020-12-02T14:19:19Z) - NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural
Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。
このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文 参考訳（メタデータ） (2020-09-28T01:48:45Z) - Collaborative Distillation in the Parameter and Spectrum Domains for
Video Action Recognition [79.60708268515293]
本稿では,行動認識のための小型かつ効率的なネットワークの訓練方法について検討する。
周波数領域における2つの蒸留戦略,すなわち特徴スペクトルとパラメータ分布蒸留を提案する。
提案手法は,同じバックボーンを持つ最先端の手法よりも高い性能を実現することができる。
論文 参考訳（メタデータ） (2020-09-15T07:29:57Z) - dMelodies: A Music Dataset for Disentanglement Learning [70.90415511736089]
我々は、研究者が様々な領域でアルゴリズムの有効性を実証するのに役立つ新しいシンボリック・ミュージック・データセットを提案する。
これはまた、音楽用に特別に設計されたアルゴリズムを評価する手段を提供する。
データセットは、遠絡学習のためのディープネットワークのトレーニングとテストに十分な大きさ(約13万データポイント)である。
論文 参考訳（メタデータ） (2020-07-29T19:20:07Z) - Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。
バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。
本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文 参考訳（メタデータ） (2020-03-31T16:47:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。