論文の概要: Structure-Aware Audio-to-Score Alignment using Progressively Dilated
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2102.00382v1
- Date: Sun, 31 Jan 2021 05:14:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 05:36:53.567949
- Title: Structure-Aware Audio-to-Score Alignment using Progressively Dilated
Convolutional Neural Networks
- Title（参考訳）: 進行拡散畳み込みニューラルネットワークを用いた構造認識型音声-スコアアライメント
- Authors: Ruchit Agrawal, Daniel Wolff, Simon Dixon
- Abstract要約: 音楽演奏と楽譜の間の構造的差異の同定は、音声とスコアのアライメントにおいて難しいが不可欠なステップである。
本稿では、進化的に拡張された畳み込みニューラルネットワークを用いて、そのような違いを検出する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 8.669338893753885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The identification of structural differences between a music performance and
the score is a challenging yet integral step of audio-to-score alignment, an
important subtask of music information retrieval. We present a novel method to
detect such differences between the score and performance for a given piece of
music using progressively dilated convolutional neural networks. Our method
incorporates varying dilation rates at different layers to capture both
short-term and long-term context, and can be employed successfully in the
presence of limited annotated data. We conduct experiments on audio recordings
of real performances that differ structurally from the score, and our results
demonstrate that our models outperform standard methods for structure-aware
audio-to-score alignment.
- Abstract（参考訳）: 音楽演奏とスコアの構造的差異の同定は、音楽情報検索の重要なサブタスクであるオーディオとスコアのアライメントの挑戦的かつ不可欠なステップです。
本研究では,畳み込みニューラルネットワークを用いて,ある曲のスコアと演奏の差を検出する新しい手法を提案する。
本手法は, 異なる層に異なる拡散速度を組み込んで, 短期的および長期的コンテキストを捉え, 限定的な注釈付きデータの存在下で有効に用いることができる。
スコアと構造的に異なる実演の録音実験を行い,本モデルが構造認識オーディオとスコアアライメントの標準手法を上回っていることを示す。
関連論文リスト
- End-to-End Real-World Polyphonic Piano Audio-to-Score Transcription with Hierarchical Decoding [4.604877755214193]
既存のピアノA2Sシステムは、合成データのみで訓練され、評価されている。
楽譜の階層構造に整合した階層デコーダを用いたシーケンス・ツー・シーケンス(Seq2Seq)モデルを提案する。
本研究では,合成音声上での表現的パフォーマンスレンダリングシステムを用いてモデルを事前学習する2段階学習手法を提案し,続いて人間の演奏記録を用いてモデルを微調整する。
論文 参考訳（メタデータ） (2024-05-22T10:52:04Z) - Exploring the Efficacy of Pre-trained Checkpoints in Text-to-Music
Generation Task [86.72661027591394]
テキスト記述から完全で意味論的に一貫したシンボリック音楽の楽譜を生成する。
テキスト・音楽生成タスクにおける自然言語処理のための公開チェックポイントの有効性について検討する。
実験結果から, BLEUスコアと編集距離の類似性において, 事前学習によるチェックポイントの使用による改善が統計的に有意であることが示唆された。
論文 参考訳（メタデータ） (2022-11-21T07:19:17Z) - Towards Context-Aware Neural Performance-Score Synchronisation [2.0305676256390934]
音楽の同期は、音楽の複数の表現を統一的にナビゲートする手段を提供する。
従来の同期手法は知識駆動と性能分析のアプローチを用いてアライメントを計算する。
このPhDは、データ駆動型コンテクスト対応アライメントアプローチの提案により、パフォーマンススコア同期の研究をさらに進める。
論文 参考訳（メタデータ） (2022-05-31T16:45:25Z) - A Convolutional-Attentional Neural Framework for Structure-Aware
Performance-Score Synchronization [12.951369232106178]
性能スコア同期は信号処理において重要なタスクである。
従来の同期手法は知識駆動アプローチを用いてアライメントを計算する。
構造スコア同期のための新しいデータ駆動方式を提案する。
論文 参考訳（メタデータ） (2022-04-19T11:41:21Z) - SeCo: Separating Unknown Musical Visual Sounds with Consistency Guidance [88.0355290619761]
この作品は未知の楽器の分離に焦点を当てている。
本稿では,未知のカテゴリを分離できるセコ(SeCo)フレームワークを提案する。
本手法は,新たな楽曲カテゴリに適応する能力を示し,基本手法を顕著なマージンで上回る性能を示す。
論文 参考訳（メタデータ） (2022-03-25T09:42:11Z) - 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) - Score-informed Networks for Music Performance Assessment [64.12728872707446]
MPAモデルにスコア情報を組み込んだディープニューラルネットワークに基づく手法はまだ研究されていない。
スコアインフォームド性能評価が可能な3つのモデルを提案する。
論文 参考訳（メタデータ） (2020-08-01T07:46:24Z) - Music Gesture for Visual Sound Separation [121.36275456396075]
ミュージック・ジェスチャ(Music Gesture)は、音楽演奏時の演奏者の身体と指の動きを明示的にモデル化するキーポイントに基づく構造化表現である。
まず、コンテキスト対応グラフネットワークを用いて、視覚的コンテキストと身体力学を統合し、その後、身体の動きと対応する音声信号とを関連付けるために、音声-視覚融合モデルを適用する。
論文 参考訳（メタデータ） (2020-04-20T17:53:46Z) - Audio Impairment Recognition Using a Correlation-Based Feature
Representation [85.08880949780894]
本稿では,特徴対の相関に基づく手作り特徴の新しい表現を提案する。
実験段階において,コンパクトな特徴次元と計算速度の向上の観点から,優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-22T13:34:37Z) - Modeling Musical Structure with Artificial Neural Networks [0.0]
音楽構造モデリングのさまざまな側面に対する人工知能の適用について検討する。
Gated Autoencoder(GAE)というコネクショナリストモデルを用いて,楽曲の断片間の変換を学習する方法を示す。
本稿では,ポリフォニック・ミュージックを区間の連続として表現するGAEの特別な予測訓練を提案する。
論文 参考訳（メタデータ） (2020-01-06T18:35:57Z)
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。