深度学习在音乐自动标注中的应用
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 缩略词表 | 第11-12页 |
| 1 引言 | 第12-19页 |
| 1.1 研究背景 | 第12-13页 |
| 1.1.1 音乐标注基本概念 | 第12-13页 |
| 1.1.2 深度学习 | 第13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 传统的音乐标注方式 | 第13-15页 |
| 1.2.2 音频特征提取 | 第15页 |
| 1.2.3 深度学习在音乐领域的应用 | 第15-17页 |
| 1.2.4 深度学习在音乐标注领域的应用 | 第17-18页 |
| 1.3 本文重点研究内容 | 第18页 |
| 1.4 论文结构安排 | 第18-19页 |
| 2 相关技术介绍 | 第19-35页 |
| 2.1 音频信号特征表达 | 第19-22页 |
| 2.1.1 梅尔倒谱系数 | 第19-20页 |
| 2.1.2 频谱图 | 第20-22页 |
| 2.2 深度学习 | 第22-34页 |
| 2.2.1 卷积神经网络 | 第22-26页 |
| 2.2.2 优化方法 | 第26-33页 |
| 2.2.3 正则化 | 第33-34页 |
| 2.3 本章小结 | 第34-35页 |
| 3 模型结构设计和平台搭建 | 第35-46页 |
| 3.1 数据集 | 第35页 |
| 3.2 问题描述 | 第35-36页 |
| 3.3 模型设计思路 | 第36-38页 |
| 3.3.1 输入信号 | 第36-37页 |
| 3.3.2 卷积层窗口和轴 | 第37页 |
| 3.3.3 池化层的大小和轴 | 第37-38页 |
| 3.3.4 损失函数定义 | 第38页 |
| 3.4 模型结构 | 第38-42页 |
| 3.4.1 梅尔频谱系数模型 | 第38-39页 |
| 3.4.2 频谱图模型 | 第39-41页 |
| 3.4.3 原始音频模型 | 第41-42页 |
| 3.5 深度学习平台搭建 | 第42-45页 |
| 3.5.1 深度学习平台 | 第42-44页 |
| 3.5.2 软件安装 | 第44-45页 |
| 3.5.3 硬件 | 第45页 |
| 3.6 本章小结 | 第45-46页 |
| 4 实验结果和讨论 | 第46-58页 |
| 4.1 模型训练以及收敛的细节 | 第46-52页 |
| 4.1.1 不同训练速率对于训练收敛过程的影响 | 第46-49页 |
| 4.1.2 不同梯度下降方法对于训练速度的影响 | 第49-52页 |
| 4.2 模型表现的对比 | 第52-56页 |
| 4.2.1 不同模型的对比 | 第53-55页 |
| 4.2.2 与相关工作的对比 | 第55-56页 |
| 4.3 不同深度的模型在MSD上的表现 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 卷积神经网络可视化 | 第58-62页 |
| 5.1 模型可视化的思路 | 第58页 |
| 5.2 卷积神经网络可视化的一般模型结构 | 第58页 |
| 5.3 可视化模型的损失函数定义 | 第58-59页 |
| 5.4 可视化模型的训练方式 | 第59-60页 |
| 5.5 梅尔频谱图模型的可视化效果 | 第60-62页 |
| 6 结论和展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |
