[CQTNet]-音频翻唱检索论文笔记

论文名称：Learning a Representation for Cover Song Identification Using Convolutional Neural Network（ICASSP2020）

论文地址：https://arxiv.org/abs/1911.00334

代码地址：https://github.com/yzspku/CQTNet

背景

        研究Music Information Retrieval (MIR)方向中的Cover song identification任务，减少人工特征和对齐算法的使用，本文提出CNN网络来检索相同的音乐。

模型总览

模型训练流程：

1.  预处理：Librosa抽取音频的CQT特征，采样率默认22050Hz，音频八度的bin个数为12，音频特征下采样倍率20，最终得到84*T维特征，T由音频的时长决定。
2. 模型处理：模型比较简单，就是几层conv和pool的堆叠，有几点注意的地方。

   • 前几层conv的height维度kenel为12、13，主要是因为CQT特征音频八度的bin个数为12，使得前三个conv层的感受野为3个八度。

   • 采用膨胀卷积，不过是在时序维度上，因为翻唱歌曲的识别侧重于音乐的长期旋律。

   • 频域维度上的步长始终为1，音频的关键变化可能发生在一或两个半音。

   • 输出层采用adaptive global pool，将不同的音频压缩成固定长度特征。

模型结果