哈嘍，你們還好嗎？是否有想起我呢？
假期前我面臨的問題是音頻特征提取的問題，也就是特征工程。業(yè)務(wù)是視頻中的音頻場景分類，為視頻分類、視頻推薦做準(zhǔn)備，這個(gè)看似簡單的問題其實(shí)做起來一點(diǎn)也不簡單，因此，賦閑期間實(shí)在無聊透頂，終于撿起來了昨日的黃花，重新開始，閱讀一些相關(guān)文獻(xiàn)，期望有所收獲。
【悟已往之不諫，知來者之可追】
主要方面：
1.音頻場景分類/分割問題；
2.音樂推薦系統(tǒng)；
本篇博文先說音頻場景分類，其實(shí)這個(gè)問題由來已久，也有相關(guān)的比賽DCASE，但沒來得及認(rèn)真看下dcase2019就放假了，誰知道假期還這么長，一時(shí)半會(huì)兒也接不上了，因而不表。
這里提一點(diǎn)分割的問題，和端點(diǎn)檢測類似，場景分割也需要檢測跳變點(diǎn)（可能比較基礎(chǔ)，不要笑），目前所見的一些之前的畢業(yè)論文仍舊是以低級(jí)特征來區(qū)分，比如熵、能量、MFCC，而且需要設(shè)定閾值等經(jīng)驗(yàn)參數(shù)，這是有很大的弊端，不可能放之四海而皆準(zhǔn)，可能只會(huì)對(duì)實(shí)驗(yàn)數(shù)據(jù)效果較好。
有論文提到結(jié)合BIC來做的模型效果不錯(cuò)，這里也說下BIC，這個(gè)貝葉斯信息準(zhǔn)則是用來模型選擇的，BIC=kln(n)-2ln(L)
另外論文中說懲罰因子關(guān)系到什么跳變點(diǎn)的檢出？讓我一臉懵逼，上面這個(gè)公式里面有懲罰因子？尋根究底后發(fā)現(xiàn)是BIC距離，是計(jì)算向量X和Y的對(duì)數(shù)似然距離。
論文所提的方法是聚類后生成的字典，然后將MFCC向字典投影作為特征，然后用SVM分類，這是啥特征操作？？？

?關(guān)于音樂推薦，目前有基于內(nèi)容、協(xié)同過濾、語境、圖模型的推薦?；趦?nèi)容過濾的容易理解，就是音頻特征，用的大多數(shù)還是低級(jí)特征，比如MFCC、能量、pitch、頻帶包絡(luò)，然后進(jìn)行特征拼接，計(jì)算相似性（測度/距離），當(dāng)然也有其他特征參與，比如音樂節(jié)奏、節(jié)拍、音色、體裁。舉個(gè)例子，某篇博文以短時(shí)譜模糊表示音樂內(nèi)容，每幀選取最大的k個(gè)頻率從大到小排序，構(gòu)成k*n矩陣，n是總的幀數(shù)，然后計(jì)算同shape矩陣相似度，假設(shè)矩陣A和B，那么A點(diǎn)除以B，如果商落在[0.95，1.05]范圍外，那么該元素視為偏差元素，最后的相似度為1-m/(k*n)，m為偏差元素個(gè)數(shù)。這里面有個(gè)查詢/搜索問題，當(dāng)前過來的矩陣n可能與數(shù)據(jù)庫中的不同，作者也給出了方法，假設(shè)數(shù)據(jù)庫中n值大，將第一個(gè)元素與匹配的矩陣最接近的位置作為查詢起始點(diǎn)，也可將查詢片段刪除幾列(幀數(shù))，再次查詢，最后選擇相似度最大的作為結(jié)果。根據(jù)作者top1
?

待續(xù)吧。。

另外有相關(guān)問題可以加入QQ群討論，不設(shè)微信群

QQ群：868373192?

語音圖像視頻深度-學(xué)習(xí)群

總結(jié)

以上是生活随笔為你收集整理的音乐推荐初步的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。