مقاله تخمین تمپو به عنوان طبقه بندی باینری کاملاً خود نظارتی

چکیده

This paper addresses the problem of global tempo estimation in musical audio. Given that annotating tempo is time-consuming and requires certain musical expertise, few publicly available data sources exist to train machine learning models for this task. Towards alleviating this issue, we propose a fully self-supervised approach that does not rely on any human labeled data. Our method builds on the fact that generic (music) audio embeddings already encode a variety of properties, including information about tempo, making them easily adaptable for downstream tasks. While recent work in self-supervised tempo estimation aimed to learn a tempo specific representation that was subsequently used to train a supervised classifier, we reformulate the task into the binary classification problem of predicting whether a target track has the same or a different tempo compared to a reference. While the former still requires labeled training data for the final classification model, our approach uses arbitrary unlabeled music data in combination with time-stretching for model training as well as a small set of synthetically created reference samples for predicting the final tempo. Evaluation of our approach in comparison with the state-of-the-art reveals highly competitive performance when the constraint of finding the precise tempo octave is relaxed.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به مشکل تخمین سرعت جهانی در صدای موسیقی می پردازیم.با توجه به اینکه حاشیه حاشیه نویسی وقت گیر است و به تخصص موسیقی خاصی نیاز دارد ، تعداد کمی از منابع داده در دسترس عموم برای آموزش مدل های یادگیری ماشین برای این کار وجود دارد.در جهت کاهش این مسئله ، ما یک رویکرد کاملاً خودكاری را پیشنهاد می كنیم كه به هیچ داده ای با برچسب انسانی متکی نیست.روش ما بر این واقعیت است که تعبیه های صوتی عمومی (موسیقی) در حال حاضر انواع مختلفی از خواص ، از جمله اطلاعات مربوط به سرعت را رمزگذاری می کنند و باعث می شود آنها به راحتی برای کارهای پایین دست سازگار شوند.در حالی که کار اخیر در برآورد سرعت خودکارد شده با هدف یادگیری یک بازنمایی خاص که متعاقباً برای آموزش یک طبقه بندی کننده تحت نظارت مورد استفاده قرار می گرفت ، ما این کار را در مشکل طبقه بندی باینری پیش بینی می کنیم که آیا یک مسیر هدف در مقایسه با یک سرعت متفاوت یا یک سرعت متفاوت است.یک مرجع.در حالی که اولی هنوز به داده های آموزشی برچسب زده شده برای مدل طبقه بندی نهایی نیاز دارد ، رویکرد ما از داده های موسیقی بدون برچسب دلخواه در ترکیب با کشش زمان برای آموزش مدل و همچنین مجموعه کوچکی از نمونه های مرجع ساخته شده مصنوعی برای پیش بینی سرعت نهایی استفاده می کند.ارزیابی رویکرد ما در مقایسه با پیشرفته ، عملکرد بسیار رقابتی را نشان می دهد که محدودیت پیدا کردن اکتاو دقیق TEMPO آرام است.