文献

J-GLOBAL ID：202202245915206640   整理番号：22A2383525

TCN-HSMMハイブリッドモデルに基づくビート・ダウンビート推定

著者 (5件)： 大山偉永 (京大 大学院情報学研究科) ,  中村栄太 (京大 大学院情報学研究科) ,  中村栄太 (京大 白眉セ) ,  吉井和佳 (京大 大学院情報学研究科) ,  吉井和佳 (JST-さきがけ)
資料名： 情報処理学会研究報告(Web)  (IPSJ Technical Report (Web))
巻： 2022  号： MUS-135  ページ： Vol.2022-MUS-135,No.6,1-8 (WEB ONLY)  発行年： 2022年09月07日 
JST資料番号： U0451A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 本稿では,可変拍子を含む楽曲を適切に取り扱うことができる,深層生成モデルに基づくビート・ダウンビート推定手法を提案する。ポピュラー音楽の多くが,拍子が一時的に変化する可変拍子を含んでおり,可変拍子を考慮したビート・ダウンビート推定は重要な課題となっている.従来の標準的なビート・ダウンビート推定は二段階で構成されており,例えば,時間畳み込みネットワーク(TCN)を用いて各時刻におけるビート・ダウンビートの事後分布を推定した後,周期性を考慮できる隠れマルコフモデル(HMM)を用いてビート・ダウンビート時刻の検出を行う。しかし,HMMが一意な拍子を仮定しているため,可変拍子の楽曲に対応できず不自然な推定結果となることがあった.そこで,本研究では,HMMに拍子の生成モデルを導入し,拍子・ビート・ダウンビートに関する潜在表現から観測の音響特徴量を生成する過程を表す隠れセミマルコフモデル(HSMM)を提案する.音響特徴量の観測確率はTCNが推定したビート・ダウンビートの事後確率から計算し,ビタビアルゴリズムにより最尤ビート・ダウンビート系列を推定する.実験により提案手法の有効性を確認する.(著者抄録)

シソーラス用語： *モデル ,  *ハイブリッド方式 ,  *モデリング ,  *隠れMarkovモデル ,  音響特性 ,  数値 ,  特徴抽出 ,  *アルゴリズム ,  確率モデル ,  Viterbi復号化 ,  ニューラルネットワーク ,  推定 ,  *ハイブリッドモデル ,  音響特徴量 ,  *Viterbiアルゴリズム ,  畳込みニューラルネットワーク ,  生成モデル ,  数学モデル
準シソーラス用語： *TCN-HSMMハイブリッドモデル ,  時間畳み込みネットワーク ,  ビート・ダウンビート推定 ,  深層生成モデル

分類 (2件)： 楽器音響  (BB03070Y) ,  人工知能  (JE08000Z)

引用文献 (28件)：

• Nishikimi, R., Nakamura, E., Goto, M., Itoyama, K. and Yoshii, K.: Bayesian Singing Transcription Based on a Hierarchical Generative Model of Keys, Musical Notes, and F0 Trajectories, IEEE/ACM Transactions on Audio, Speech, and Language Processing (TASLP), pp.1678-1691 (2020).
• Shibata, G., Nishikimi, R. and Yoshii, K.: Music Structure Analysis Based on an LSTM-HSMM Hybrid Model, International Society for Music Information Retrieval Conference (ISMIR), pp. 15-22 (2020).
• Ishizuka, R., Nishikimi, R., Nakamura, E. and Yoshii, K.: Tatum-Level Drum Transcription Based on a Convolutional Recurrent Neural Network with Language Model-Based Regularized Training, APSIPA, pp. 359-364 (2020).
• Ishizuka, R., Nishikimi, R. and Yoshii, K.: Global Structure-Aware Drum Transcription Based on Self-Attention Mechanisms, arXiv (2021).
• Böck, S., Krebs, F. and Widmer, G.: Joint Beat and Downbeat Tracking with Recurrent Neural Networks, International Society for Music Information Retrieval Conference (ISMIR), pp. 255-261 (2016).

タイトルに関連する用語 (2件)： ハイブリッドモデル ,  推定