MFCC có phải là phương pháp tối ưu để thể hiện âm nhạc cho hệ thống truy xuất không?

Một kỹ thuật xử lý tín hiệu, Cepstrum tần số Mel , thường được sử dụng để trích xuất thông tin từ một bản nhạc để sử dụng trong một nhiệm vụ học máy. Phương pháp này đưa ra phổ công suất ngắn hạn và các hệ số được sử dụng làm đầu vào.

Trong thiết kế hệ thống truy xuất âm nhạc, các hệ số như vậy được coi là đặc trưng của một bản nhạc (rõ ràng không nhất thiết phải là duy nhất, nhưng phân biệt). Có đặc điểm nào phù hợp hơn với việc học với mạng không? Các đặc điểm thay đổi theo thời gian như tiến trình âm trầm của bản nhạc được sử dụng trong một cái gì đó như mạng Elman sẽ hoạt động hiệu quả hơn?

Những đặc điểm nào sẽ tạo thành một tập hợp đủ rộng để phân loại có thể diễn ra?

Chúng tôi đã làm một chút về việc này tại một thời điểm. Tập hợp các tính năng chúng tôi trích xuất được đưa ra trong tài liệu hội thảo NIPS này . Tôi phải thừa nhận rằng chúng tôi không thể sao chép kết quả của một số tác giả khác trong lĩnh vực này, mặc dù có một số nghi ngờ về các bộ dữ liệu được sử dụng trong đó (lưu ý rằng các bộ dữ liệu được sử dụng bởi các tác giả trong lĩnh vực này có xu hướng được chọn bằng tay và không được phát hành với công chúng, vì lý do bản quyền, mặc dù điều này không phải lúc nào cũng đúng). Về cơ bản chúng đều là các tính năng phổ ngắn hạnvới các hệ số tự động được ném vào quá. Chúng tôi đã xem xét phân loại thể loại mà chúng ta biết có thể được thực hiện bởi con người (mặc dù không có độ chính xác tuyệt vời và không có thỏa thuận nhất quán ....) trong khoảng thời gian rất ngắn (<1s), xác nhận việc sử dụng các tính năng ngắn hạn . Nếu bạn thích làm những việc phức tạp hơn so với phân loại thể loại / nghệ sĩ / album / nhà sản xuất điển hình thì bạn có thể cần nhiều tính năng tầm xa hơn, nếu không, các tính năng phổ ngắn hạn này có xu hướng hoạt động tốt nhất.