Audio and Speech Processing,Information Retrieval,Machine Learning,Sound,پردازش صوتی و گفتار , بازیابی اطلاعات , یادگیری ماشین , صدا ,
توضیحات
Submitted 16 September, 2024; v1 submitted 11 September, 2024; originally announced September 2024. , Comments: Published in Audio Engineering Society NY Show 2024 as a Peer Reviewed (Category 1) paper; typos corrected , ACM Class: H.3.3
توضیحات به فارسی
ارائه شده 16 سپتامبر 2024 ؛V1 ارسال شده 11 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: منتشر شده در انجمن مهندسی صوتی NY Show 2024 به عنوان یک مقاله همکار بررسی شده (دسته 1) مقاله ؛تایپ اصلاح شده ، کلاس ACM: H.3.3
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
In the realm of digital music, using tags to efficiently organize and retrieve music from extensive databases is crucial for music catalog owners. Human tagging by experts is labor-intensive but mostly accurate, whereas automatic tagging through supervised learning has approached satisfying accuracy but is restricted to a predefined set of training tags. Few-shot learning offers a viable solution to expand beyond this small set of predefined tags by enabling models to learn from only a few human-provided examples to understand tag meanings and subsequently apply these tags autonomously. We propose to integrate few-shot learning methodology into multi-label music auto-tagging by using features from pre-trained models as inputs to a lightweight linear classifier, also known as a linear probe. We investigate different popular pre-trained features, as well as different few-shot parametrizations with varying numbers of classes and samples per class. Our experiments demonstrate that a simple model with pre-trained features can achieve performance close to state-of-the-art models while using significantly less training data, such as 20 samples per tag. Additionally, our linear probe performs competitively with leading models when trained on the entire training dataset. The results show that this transfer learning-based few-shot approach could effectively address the issue of automatically assigning long-tail tags with only limited labeled data.
چکیده به فارسی (ترجمه ماشینی)
در قلمرو موسیقی دیجیتال ، استفاده از برچسب ها برای سازماندهی و بازیابی موسیقی از پایگاه داده های گسترده برای صاحبان کاتالوگ موسیقی بسیار مهم است.برچسب زدن انسانی توسط کارشناسان بسیار کارآمد اما دقیق است ، در حالی که برچسب زدن خودکار از طریق یادگیری تحت نظارت به دقت رضایت بخش نزدیک شده است اما به مجموعه ای از پیش تعریف شده از برچسب های آموزشی محدود می شود.Lead Shot Learning یک راه حل مناسب برای گسترش فراتر از این مجموعه کوچک از برچسب های از پیش تعریف شده ارائه می دهد با این امکان که مدل ها را فقط از چند نمونه ارائه شده توسط انسان یاد بگیرند تا معانی برچسب را درک کنند و متعاقباً این برچسب ها را به صورت مستقل اعمال کنند.ما پیشنهاد می کنیم با استفاده از ویژگی های مدل های از پیش آموزش به عنوان ورودی به طبقه بندی خطی سبک وزن ، همچنین به عنوان یک کاوشگر خطی شناخته شود.ما ویژگی های مختلف از قبل آموزش دیده محبوب ، و همچنین پارامترهای مختلف چند عکس را با تعداد مختلف کلاس و نمونه در هر کلاس بررسی می کنیم.آزمایشات ما نشان می دهد که یک مدل ساده با ویژگی های از پیش آموزش دیده می تواند در حالی که از داده های آموزشی به طور قابل توجهی کمتر استفاده می کند ، مانند 20 نمونه در هر برچسب ، به عملکرد نزدیک به مدل های پیشرفته برسد.علاوه بر این ، کاوشگر خطی ما هنگام آموزش در کل مجموعه داده های آموزشی ، با مدل های پیشرو در رقابت با مدل های پیشرو انجام می شود.نتایج نشان می دهد که این رویکرد چند شات مبتنی بر یادگیری مبتنی بر انتقال می تواند به طور موثری به مسئله اختصاص خودکار برچسب های دم بلند با داده های دارای برچسب محدود بپردازد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
