多声音楽の演奏楽器を認識するための畳み込みニューラルネットワーク

• Item type: Journal(1)
• 公開日: 2020-03-15
• タイトル: 多声音楽の演奏楽器を認識するための畳み込みニューラルネットワーク
• タイトル / 言語: en
• タイトル: Convolutional Neural Networks for Musical Instrument Recognition from Polyphonic Music
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [一般論文（推薦論文）] ニューラルネットワーク，深層学習，楽曲分類
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 東北学院大学教養学部情報科学科／現在，テクノ・マインド株式会社
• 著者所属: 東北学院大学教養学部情報科学科
• 著者所属(英): en
• 著者所属(英): Department of Information Science, Tohoku Gakuin University / Presently with Techno Mind Corporation
• 著者所属(英): en
• 著者所属(英): Department of Information Science, Tohoku Gakuin University
• 著者名: 佐藤, 佑樹; 武田, 敦志
• 著者名(英): Yuki, Sato; Atsushi, Takeda
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 音楽データを自動的に解析してその演奏楽器を分類できれば，それらの音楽データを自動的に分類して検索するサービスを開発することが可能となる．そこで，本論文では，畳み込みニューラルネットワークを用いて演奏音データに含まれる演奏楽器を分類する手法を提案する．近年，畳み込みニューラルネットワークを用いた演奏楽器の分類手法が研究されてきたが，従来手法には過学習を回避することが難しいという問題があった．そこで，本論文の提案手法では，複数の計算経路を持つことで高い汎化性能を発揮する畳み込みニューラルネットワークResNetを用いて演奏楽器の分類を行う．また，汎化性能改善手法であるSignal Augmentationを導入することにより，畳み込みニューラルネットワークの分類性能の向上を目指す．本論文では，演奏楽器分類タスクのためのデータセットであるIRMASを用いた実験を行い，実験結果より提案手法が従来手法よりも高い精度で演奏楽器を分類できることを示す．提案手法は楽器分類タスクにおいて高い分類性能（F値：0.708）を達成しており，これは現時点（2018年12月）における世界最高性能（state-of-the-art）である．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: We will be able to develop search engines of music data if there is a useful method which classifies musical instruments played in the music data automatically.In this paper, we propose a classification method which indicates musical instruments played in audio data by using convolutional neural networks.In recent years, some researchers have studied about musical instrument classification with convolutional neural networks.The existing methods, however, have problem in avoiding overfitting.Therefore, the proposed method uses ResNets which achieve good regularization performance because ResNets contain many processing paths.In addition, in order to improve classification performance, we adapt a regularization technique “Signal Augmentation” to residual blocks in ResNets.In this paper, we show experiment results in musical instrument classification tasks of IRMAS dataset.According to the results, the proposed method achieves better performance than existing methods.Especially, F-measure of the proposed methods in IRMAS classification tasks is 0.708, which is state-of-the-art in 2018.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 61, 号 3, p. 718-725, 発行日 2020-03-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764