新的无监督方法评估用于音乐结构分析的深度音频嵌入

研究人员开发了一种无监督方法来评估用于音乐结构分析的深度音频嵌入，旨在克服需要大量标注数据的监督学习方法的局限性。该研究评估了九个开源深度音频模型，提取了逐小节嵌入，并使用三种无监督算法进行分割：Foote的棋盘核、谱聚类和相关块匹配（CBM）。结果表明，通用的深度嵌入总体上优于传统的基于频谱图的基线，而CBM被证明是最有效的分割方法。该论文还提倡采用“修剪”或“双重修剪”标注，以提出更严格的音乐结构分析评估标准。 AI

影响 这项研究引入了一个更强大的音乐结构分析评估框架，有望改进人工智能在音乐信息检索中的开发和应用。

排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了一种用于评估深度音频嵌入的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• Axel Marmoret
• Correlation Block-Matching
• Deep Audio Embeddings
• Foote's checkerboard kernels
• spectral clustering

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →