文献

J-GLOBAL ID：202102218370772039   整理番号：21A2570750

ロボットによるマルチタスク学習と物理的データ増強を用いたギターコードセンシングと認識【JST・京大機械翻訳】

Guitar Chord Sensing and Recognition Using Multi-Task Learning and Physical Data Augmentation with Robotics

著者 (4件)： Byambatsogt Gerelmaa (Department of Computer Science and Electrical Engineering, Kumamoto University, Kumamoto 860-8555, Japan) ,  Byambatsogt Gerelmaa (Machine Intelligence Laboratory, National University of Mongolia, Ulaanbaatar 14201, Mongolia) ,  Choimaa Lodoiravsal (Machine Intelligence Laboratory, National University of Mongolia, Ulaanbaatar 14201, Mongolia) ,  Koutaki Gou (Department of Computer Science and Electrical Engineering, Kumamoto University, Kumamoto 860-8555, Japan)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 21  ページ： 6077  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 近年,多くの研究者が音楽情報検索(MIR)アプリケーションへの関心が増大しており,自動コード認識が一般的なタスクの一つである。多くの研究が,自動コード認識問題における深層学習ベースモデルを使用するかなりの改善を達成してきた。しかしながら,既存のモデルのほとんどは,単純なコード認識に焦点を合わせており,それは,主,マイナー,および7番目のコードで根ノートを分類する。さらに,学習ベースの認識において,望ましい性能を達成するために,高品質で大量の訓練データを収集することが重要である。本論文では,このモデルを比較的大語のギターコードデータセットを用いて訓練する,ギターコード認識タスクのためのマルチタスク学習(MTL)モデルを示した。データ不足問題を解決するために,ロボット性能器からコードデータセットを直接記録する物理的データ増強法を採用した。深層学習ベースMTLを提案し,提案した物理的データ増強データセットによる自動コード認識の性能を改善した。提案したMTLモデルを,4つのベースラインモデルおよび2種類のデータセットを用いた対応する単一タスク学習モデルと比較した。提案方法は,ベースラインモデルより優れていて,結果は,提案したマルチタスク学習モデルのほとんどのスコアが,対応する単一タスク学習モデルのものより良いことを示した。実験結果は,物理的データ増強が,ギターコード認識タスクのためのデータセットサイズを増加させるための効果的方法であることを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  学習モデル ,  *ロボット ,  マイナ ,  応用プログラム ,  コドン認識 ,  基準線
準シソーラス用語： 訓練データ ,  *ギター ,  *マルチタスク学習 ,  音楽情報検索 ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： コード認識 ,  マルチタスク学習 ,  ギター演奏ロボット ,  畳込みニューラルネットワーク ,  データ増強

分類 (5件)： 図形・画像処理一般  (JE04010I) ,  リモートセンシング一般  (AD04000L) ,  計測機器一般  (AD02000X) ,  パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

引用文献 (35件)：

• Zhou, X.; Lerch, A.; Bello, J.P. Chord recognition using deep learning. In Proceedings of the 16th International Society for Music Information Retrieval Conference, Málaga, Spain, 26-30 October 2015; pp. 52-58.
• Choi, K.; Fazekas, G.; Cho, K.; Sandler, M.B. A Tutorial on Deep Learning for Music Information Retrieval. CoRR 2017. abs/1709.04396.
• Cheng, H.T.; Yang, Y.H.; Lin, Y.C.; Liao, I.B.; Chen, H.H. Automatic chord recognition for music classification and retrieval. In Proceedings of the IEEE International Conference on Multimedia and Expo, Hannover, Germany, 23 June-26 April 2008; pp. 1505-1508.
• Korzeniowski, F.; Widmer, G. A fully convolutional deep auditory model for musical chord recognition. In Proceedings of the IEEE 26th International Workshop on Machine Learning for Signal Processing, Vietri sul Mare, Italy, 13-16 September 2016; pp. 1-6.
• McFee, B.; Bello, J.P. Structured training for large-vocabulary chord recognition. In Proceedings of the 18th International Society for Music Information Retrieval, Suzhou, China, 23-27 October 2017; pp. 188-194.

タイトルに関連する用語 (4件)： ロボット ,  マルチタスク学習 ,  物理 ,  データ増強