[공지사항]을 빙자한 안부와 근황 
Show more

Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

Phân loại chuẩn cho thể loại nhạc khiêu vũ sân khấu chính

Created by
  • Haebom

Tác giả

Hongzhi Shu, Xinglin Li, Hongyu Jiang, Minghao Fu, Xinyu Li

Phác thảo

Bài báo này trình bày một chuẩn mực mới cho việc phân loại tiểu thể loại nhạc dance sân khấu chính. Để giải quyết tình trạng thiếu hụt các tập dữ liệu hiện có và các phương pháp hiệu quả, chúng tôi trình bày một tập dữ liệu và mô hình cơ sở mới phản ánh sự đa dạng của các buổi biểu diễn trực tiếp gần đây của các DJ lớn biểu diễn tại các lễ hội âm nhạc trên toàn thế giới. Để phù hợp với các bản nhạc có tiểu thể loại hỗn hợp, chúng tôi áp dụng phương pháp gắn nhãn mềm liên tục để duy trì tính phức tạp của âm nhạc. Kết quả thử nghiệm cho thấy ngay cả các mô hình ngôn ngữ quy mô lớn đa phương thức (MLLM) tiên tiến cũng gặp khó khăn trong nhiệm vụ này, trong khi mô hình cơ sở chuyên biệt của chúng tôi đạt được độ chính xác cao. Chuẩn mực này hỗ trợ các ứng dụng như đề xuất nhạc, lập kế hoạch dàn dựng DJ và các hệ thống đa phương tiện tương tác, và có kèm theo video minh họa. Mã nguồn và dữ liệu được cung cấp công khai.

Takeaways, Limitations

Takeaways:
Cung cấp chuẩn mực và tập dữ liệu mới để phân loại các thể loại phụ của nhạc khiêu vũ sân khấu chính
ĐóNg góp vào nghiên cứu âm nhạc EDM với bộ dữ liệu phong phú bao gồm nhiều thể loại phụ khác nhau
Xử lý hiệu quả sự phức tạp của âm nhạc thông qua các kỹ thuật ghi nhãn mềm liên tục
Trình bày những hạn chế của MLLM hiện đại và chứng minh tính ưu việt của các mô hình chuyên biệt
Có thể được sử dụng trong nhiều ứng dụng khác nhau như đề xuất âm nhạc và lập kế hoạch cho buổi biểu diễn DJ
ĐảM bảo tính minh bạch và khả năng tái tạo của nghiên cứu thông qua việc công bố mã và dữ liệu
Limitations:
Cần nghiên cứu thêm về quy mô và tính đa dạng của tập dữ liệu.
Khả năng xây dựng một tập dữ liệu thiên về một thể loại hoặc khu vực cụ thể
Cần xem xét tính chủ quan và hạn chế của các phương pháp dán nhãn mềm
Cần phải xác nhận thêm hiệu suất tổng quát của mô hình cơ sở được đề xuất.
👍