Fugu-MT 論文翻訳(概要): Hybrid Y-Net Architecture for Singing Voice Separation

論文の概要: Hybrid Y-Net Architecture for Singing Voice Separation

arxiv url: http://arxiv.org/abs/2303.02599v1
Date: Sun, 5 Mar 2023 07:54:49 GMT
ステータス: 処理完了
システム内更新日: 2023-03-07 18:42:07.792409
Title: Hybrid Y-Net Architecture for Singing Voice Separation
Title（参考訳）: 歌声分離のためのハイブリッドYネットアーキテクチャ
Authors: Rashen Fernando, Pamudu Ranasinghe, Udula Ranasinghe, Janaka Wijayakulasooriya, Pantaleon Perera
Abstract要約: 提案アーキテクチャは、スペクトルと波形の両方の領域から特徴を抽出することで、エンドツーエンドのハイブリッドソース分離を行う。 U-NetアーキテクチャにインスパイアされたY-Netは、スペクトルマスクを予測し、混合信号から発声源を分離する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This research paper presents a novel deep learning-based neural network architecture, named Y-Net, for achieving music source separation. The proposed architecture performs end-to-end hybrid source separation by extracting features from both spectrogram and waveform domains. Inspired by the U-Net architecture, Y-Net predicts a spectrogram mask to separate vocal sources from a mixture signal. Our results demonstrate the effectiveness of the proposed architecture for music source separation with fewer parameters. Overall, our work presents a promising approach for improving the accuracy and efficiency of music source separation.
Abstract（参考訳）: 本稿では、音楽ソース分離を実現するための新しいディープラーニングベースのニューラルネットワークアーキテクチャy-netを提案する。提案アーキテクチャは、スペクトルと波形の両方の領域から特徴を抽出することで、エンドツーエンドのハイブリッドソース分離を行う。 u-netアーキテクチャにインスパイアされたy-netは、混合信号から発声源を分離するスペクトログラムマスクを予測する。本研究は,より少ないパラメータで音源分離を行うためのアーキテクチャの有効性を示す。本研究は全体として,音源分離の精度と効率を向上させるための有望なアプローチを示す。

関連論文リスト

Separate This, and All of these Things Around It: Music Source Separation via Hyperellipsoidal Queries [53.30852012059025]
音源分離は音声から音声までの検索作業である。音楽ソース分離における最近の研究は、固定状態パラダイムに挑戦し始めている。本稿では,超楕円体領域をクエリとして使用することにより,ターゲット(位置)とスプレッドの両方を指定するための直感的かつ容易にパラメトリザブルなアプローチを提案する。
論文参考訳（メタデータ） (2025-01-27T16:13:50Z)
Visually-Guided Sound Source Separation with Audio-Visual Predictive Coding [57.08832099075793]
視覚誘導音源分離は、視覚特徴抽出、マルチモーダル特徴融合、音響信号処理の3つの部分からなる。本稿では,この課題をパラメータ調和とより効果的な方法で解決するために,AVPC(Audio-visual predictive coding)を提案する。さらに、同一音源の2つの音声視覚表現を共予測することにより、AVPCのための効果的な自己教師型学習戦略を開発する。
論文参考訳（メタデータ） (2023-06-19T03:10:57Z)
AudioSlots: A slot-centric generative model for audio separation [26.51135156983783]
本稿では,音声領域におけるブラインド音源分離のためのスロット中心生成モデルであるAudioSlotsを提案する。我々は、置換同変損失関数を用いて、エンド・ツー・エンドでモデルを訓練する。 We results on Libri2Mix speech separation is a proof of concept that this approach shows promise。
論文参考訳（メタデータ） (2023-05-09T16:28:07Z)
On Neural Architectures for Deep Learning-based Source Separation of Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文参考訳（メタデータ） (2023-03-11T16:29:13Z)
Visual Scene Graphs for Audio Source Separation [65.47212419514761]
視覚的に誘導された音源分離のための最先端のアプローチは、典型的には楽器のような特徴的な音を持つ音源を仮定する。本稿では,シーンの視覚構造をグラフとして埋め込んだ新しい深層学習モデルであるAudio Visual Scene Graph Segmenter (AVSGS)を提案する。我々のパイプラインは、人工混合音から視覚グラフを用いて音源を分離する自己教師タスクにより、エンドツーエンドで訓練される。
論文参考訳（メタデータ） (2021-09-24T13:40:51Z)
A Unified Model for Zero-shot Music Source Separation, Transcription and Synthesis [13.263771543118994]
1)混合音源から個々の音源をテキスト化する,2)各音源をMIDI音符に書き起こす,3)分離音源の音色に基づいて新曲を合成する,という3つのタスクの統一モデルを提案する。このモデルは、人間が音楽を聴くとき、私たちの心は異なる楽器の音を分離できるだけでなく、スコアや音色といったハイレベルな表現も認識できるという事実にインスピレーションを受けています。
論文参考訳（メタデータ） (2021-08-07T14:28:21Z)
Source Separation and Depthwise Separable Convolutions for Computer Audition [0.0]
我々は,電子ダンス音楽データセットを用いて,深度的に分離可能な畳み込みニューラルネットワークを訓練する。ソース分離は,標準の単一スペクトログラム手法と比較して,限られたデータ設定における分類性能を向上させることが示されている。
論文参考訳（メタデータ） (2020-12-06T19:30:26Z)
Fast accuracy estimation of deep learning based multi-class musical source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文参考訳（メタデータ） (2020-10-19T13:05:08Z)
Hierarchical Timbre-Painting and Articulation Generation [92.59388372914265]
本稿では,f0と大音量に基づく高速かつ高忠実な楽曲生成手法を提案する。合成音声は、対象楽器の音色及び調音を模倣する。
論文参考訳（メタデータ） (2020-08-30T05:27:39Z)
Time-Domain Audio Source Separation Based on Wave-U-Net Combined with Discrete Wavelet Transform [34.05660769694652]
離散ウェーブレット変換(DWT)に基づく時間領域音源分離手法を提案する。提案手法は、最先端のディープニューラルネットワークであるWave-U-Netに基づいている。
論文参考訳（メタデータ） (2020-01-28T06:43:21Z)

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。