研究人员开发了一种数据驱动的方法，以改进用于光学音乐识别（OMR）训练的手写乐谱合成。通过分析MUSCIMA++和OmniOMR等大型数据集中的字形间分布，他们发现现有框架中的硬编码定位规则与真实手写存在偏差。他们的工作引入了经验均值，将定位均方根误差（RMSE）降低了高达60%，并通过图神经网络（GNN）进一步优化，该网络通过对字形之间的上下文约束进行建模，实现了额外的50-85% RMSE降低。这种改进的合成精度对下游OMR任务产生了积极影响，使用新数据训练的YOLOv8检测器在平均精度均值（mAP50）方面显示出显著提高。 AI
影响 改进了OMR的合成数据生成，可能导致对手写音乐的转录更加准确。
排序理由 这是一篇研究论文，详细介绍了一种用于特定AI任务（OMR）合成数据的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
