盡管深度神經(jīng)網(wǎng)絡(luò)算法在標(biāo)簽自動(dòng)標(biāo)注領(lǐng)域已取得一定的成果,但對(duì)于包含大量噪聲標(biāo)簽的真實(shí)音樂(lè)數(shù)據(jù)集仍存在自動(dòng)標(biāo)注效果差的問(wèn)題.為此,文中通過(guò)對(duì)音樂(lè)標(biāo)簽進(jìn)行表示學(xué)習(xí),挖掘音樂(lè)標(biāo)簽與音頻特征之間的潛在關(guān)系,提出了基于標(biāo)簽深度分析的音樂(lè)自動(dòng)標(biāo)注算法.該算法先通過(guò)多層級(jí)卷積網(wǎng)絡(luò)提取音頻特征,再通過(guò)音樂(lè)標(biāo)簽向量的表示學(xué)習(xí)來(lái)降低噪聲數(shù)據(jù)對(duì)音樂(lè)自動(dòng)標(biāo)注網(wǎng)絡(luò)的不良影響.在真實(shí)音樂(lè)標(biāo)注數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該算法能取得更高的平均受試者特征曲線下面積,標(biāo)注效果優(yōu)于其他自動(dòng)標(biāo)注算法.

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
1 算法描述
    1.1 音頻特征提取
    1.2 標(biāo)簽向量提取
    1.3 特征聚合
    1.4 標(biāo)簽預(yù)測(cè)
2 實(shí)驗(yàn)與結(jié)果分析
    2.1 實(shí)驗(yàn)數(shù)據(jù)
    2.2 實(shí)驗(yàn)細(xì)節(jié)
    2.3 實(shí)驗(yàn)結(jié)果與分析
        2.3.1 多層級(jí)聚合有效性驗(yàn)證
        2.3.2 標(biāo)簽向量的影響實(shí)驗(yàn)
        2.3.3 音樂(lè)標(biāo)注算法的實(shí)驗(yàn)結(jié)果對(duì)比
3 結(jié)論



本文編號(hào)：3785399