論文の概要: Automatic Detection and Analysis of Singing Mistakes for Music Pedagogy

• arxiv url: http://arxiv.org/abs/2602.06917v1
• Date: Fri, 06 Feb 2026 18:15:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.51717
• Title: Automatic Detection and Analysis of Singing Mistakes for Music Pedagogy
• Title（参考訳）: 音楽教育における歌唱ミスの自動検出と分析
• Authors: Sumit Kumar, Suraj Jaiswal, Parampreet Singh, Vipul Arora,
• Abstract要約: 本稿では,音楽教育の文脈における歌唱誤りの自動検出のための枠組みを提案する。 データセットは、教師学習者の発声記録を同期させ、学習者が犯したさまざまなタイプの誤りをマークするアノテーションを含む。 このデータセットを用いて、誤り検出のための異なるディープラーニングモデルを開発し、それらをベンチマークする。
• 参考スコア（独自算出の注目度）: 6.99635202348971
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advancement of machine learning in audio analysis has opened new possibilities for technology-enhanced music education. This paper introduces a framework for automatic singing mistake detection in the context of music pedagogy, supported by a newly curated dataset. The dataset comprises synchronized teacher learner vocal recordings, with annotations marking different types of mistakes made by learners. Using this dataset, we develop different deep learning models for mistake detection and benchmark them. To compare the efficacy of mistake detection systems, a new evaluation methodology is proposed. Experiments indicate that the proposed learning-based methods are superior to rule-based methods. A systematic study of errors and a cross-teacher study reveal insights into music pedagogy that can be utilised for various music applications. This work sets out new directions of research in music pedagogy. The codes and dataset are publicly available.
• Abstract（参考訳）: 音声分析における機械学習の進歩は、技術強化音楽教育の新しい可能性を開いた。 本稿では,音楽教育における歌唱誤りの自動検出のためのフレームワークについて紹介する。 データセットは、教師学習者の発声記録を同期させ、学習者が犯したさまざまなタイプの誤りをマークするアノテーションを含む。 このデータセットを用いて、誤り検出のための異なるディープラーニングモデルを開発し、それらをベンチマークする。 誤り検出システムの有効性を比較するために,新しい評価手法を提案する。 実験の結果,提案手法はルールベース手法よりも優れていることがわかった。 誤りの体系的な研究と教師間の研究は、様々な音楽応用に利用できる音楽教育の洞察を明らかにする。 本研究は音楽教育研究の新しい方向性を定めている。 コードとデータセットは公開されている。

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)
• Towards Explainable and Interpretable Musical Difficulty Estimation: A Parameter-efficient Approach [49.2787113554916]
  音楽コレクションの整理には曲の難易度を推定することが重要である。 シンボリックな音楽表現の難易度推定には説明可能な記述子を用いる。 ピアノレパートリーで評価したアプローチは,平均2乗誤差(MSE)が1.7。
  論文  参考訳（メタデータ） (2024-08-01T11:23:42Z)
• An Experimental Comparison Of Multi-view Self-supervised Methods For Music Tagging [6.363158395541767]
  自己教師付き学習は、大量のラベルのないデータに基づいて、一般化可能な機械学習モデルを事前訓練するための強力な方法として登場した。 本研究では,音楽タギングのための新たな自己指導手法の性能について検討し,比較する。
  論文  参考訳（メタデータ） (2024-04-14T07:56:08Z)
• Class-Incremental Learning: A Survey [84.30083092434938]
  CIL(Class-Incremental Learning)は、学習者が新しいクラスの知識を段階的に取り入れることを可能にする。 CILは、前者の特徴を壊滅的に忘れる傾向にあり、その性能は劇的に低下する。 ベンチマーク画像分類タスクにおける17の手法の厳密で統一的な評価を行い、異なるアルゴリズムの特徴を明らかにする。
  論文  参考訳（メタデータ） (2023-02-07T17:59:05Z)
• Music Instrument Classification Reprogrammed [79.68916470119743]
  プログラム」とは、事前学習されたモデルの入力と出力の両方を修正・マッピングすることで、もともと異なるタスクをターゲットにした、事前学習された深層・複雑なニューラルネットワークを利用する手法である。 本研究では,異なるタスクで学習した表現のパワーを効果的に活用できることを実証し,結果として得られた再プログラムシステムは,訓練パラメータのごく一部で,同等あるいはそれ以上の性能を持つシステムでも実行可能であることを実証する。
  論文  参考訳（メタデータ） (2022-11-15T18:26:01Z)
• Supervised and Unsupervised Learning of Audio Representations for Music Understanding [9.239657838690226]
  トレーニング済みデータセットのドメインが、ダウンストリームタスクに対するオーディオ埋め込みの結果の妥当性にどのように影響するかを示す。 大規模専門家による注釈付き音楽データセットの教師あり学習により訓練されたモデルが,最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2022-10-07T20:07:35Z)
• Annotation Error Detection: Analyzing the Past and Present for a More Coherent Future [63.99570204416711]
  我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。 アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。 私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
  論文  参考訳（メタデータ） (2022-06-05T22:31:45Z)
• Multi-Task Self-Supervised Pre-Training for Music Classification [36.21650132145048]
  音楽エンコーダの事前学習に自己教師付きマルチタスク学習法を適用した。 本研究では、これらの設計選択が、下流の音楽分類タスクとどのように相互作用するかを検討する。
  論文  参考訳（メタデータ） (2021-02-05T15:19:58Z)
• Detecting Generic Music Features with Single Layer Feedforward Network using Unsupervised Hebbian Computation [3.8707695363745223]
  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。
  論文  参考訳（メタデータ） (2020-08-31T13:57:31Z)
• 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)
• Learning to Reweight with Deep Interactions [104.68509759134878]
  本稿では,教師モデルに内部状態を提供する改良型データ再重み付けアルゴリズムを提案する。 クリーン/ノイズラベルとニューラルマシン翻訳を用いた画像分類実験は、我々のアルゴリズムが従来の手法よりも大幅に改善されていることを実証的に実証した。
  論文  参考訳（メタデータ） (2020-07-09T09:06:31Z)

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。