Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 21 июля 2026 года] Название: Классификация одиночных листописных образов, просмотр PDF HTML (экспериментальное) Резюме: Эта бумага изучает классификацию инструментов сольной листьевой музыки. В то время как предыдущая работа была сосредоточена на распознавании приборов в аудиоданных, вместо этого мы подходим к проблеме классификации инструментов с использованием необработанных музыкальных изображений. Наш подход сначала преобразует снимок листьев в последовательность музыкальных «слов» на основе представления баллов бутлега, а затем рассматривает проблему как задачу классификации текста. Мы показываем, что можно существенно улучшить работу классификатора путем обучения языковой модели немаркированных данных, инициализации классификации с заранее подготовленными весами языковых моделей и последующей доработки классификации на помеченных данных. В этой работе мы тренируем модели AWD-LSTM, GPT-2 и ROBERTa на сольных музыкальных изображениях из MISLP для восьми различных инструментов. Мы видим, что ГПТ-2 и РОБЕРТА несколько превосходят уровень AWD-LSTM, а предподготовка повышает классификационную точность для ROBERta с 34,5 до 42,9 процента. Кроме того, мы предлагаем два метода расширения данных, которые повышают классификационную точность ROBERTa еще на 15%. Текущий контекст просмотра: cs.CV ссылки и цитаты Загрузка... Библиографический и цитационно-инструментальный библиолог (Что является…
Классификация инструментов для сольных музыкальных изображений
arXiv: 2609.18980v1 Аннонс Тип: кросс-бюллетень: Настоящая бумага изучает классификацию инструментов сольной музыки. В то время как предыдущая работа была сосредоточена на распознавании приборов в аудиоданных, вместо этого мы подходим к проблеме классификации инструментов с использованием необработанных музыкальных изображений. Наш подход сначала преобразует снимок листьев в последовательность музыкальных «слов» на основе представления баллов бутлега, а затем рассматривает проблему как задачу классификации текста. Мы показываем, что можно существенно улучшить работу классификатора путем обучения языковой модели немаркированных данных, инициализации классификации с заранее подготовленными весами языковых моделей и последующей доработки классификации на помеченных данных. В этой работе мы тренируем модели AWD-LSTM, GPT-2 и ROBERTa на сольных музыкальных изображениях из MISLP для восьми различных инструментов. Мы видим, что ГПТ-2 и РОБЕРТА несколько превосходят уровень AWD-LSTM, а предподготовка повышает классификационную точность для ROBERta с 34,5 до 42,9 процента. Дополнительные замечания