دانلود رایگان مقالات IEEEدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات سال 2019دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی نرم افزار به زبان انگلیسیدانلود رایگان مقاله ISI موسیقی به زبان انگلیسیدانلود رایگان مقاله ISI هوش مصنوعی به زبان انگلیسیدانلود رایگان مقاله ISI یادگیری عمیق به زبان انگلیسیسال انتشار

مقاله انگلیسی رایگان در مورد یادگیری عمیق برای برچسب گذاری و طبقه بندی موسیقی مبتنی بر صوت – ۲۰۱۹ IEEE

 

مشخصات مقاله
ترجمه عنوان مقاله یادگیری عمیق برای برچسب گذاری و طبقه بندی موسیقی مبتنی بر صوت: آموزش کامپیوتر برای تشخیص راک از باخ
عنوان انگلیسی مقاله Deep Learning for Audio-Based Music Classification and Tagging: Teaching Computers to Distinguish Rock from Bach
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۱۱ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه IEEE
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – JCR – Master Journal List
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۷٫۰۹۷ در سال ۲۰۱۸
شاخص H_index ۱۵۵ در سال ۲۰۱۹
شاخص SJR ۱٫۳۶۴ در سال ۲۰۱۸
شناسه ISSN ۱۰۵۳-۵۸۸۸
شاخص Quartile (چارک) Q1 در سال ۲۰۱۸
رشته های مرتبط مهندسی کامپیوتر
گرایش های مرتبط مهندسی نرم افزار، هوش مصنوعی
نوع ارائه مقاله
ژورنال
مجله  مجله پردازش سیگنال – Signal Processing Magazine
دانشگاه Culture Technology, Korea Advanced Institute of Science and Technology, Daejeon, South Korea
شناسه دیجیتال – doi
https://doi.org/10.1109/MSP.2018.2874383
کد محصول E11422
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
۱- From feature engineering to end-to-end learning

۲- Deep-learning models

۳- Data sets and tasks

۴- Practical guide

۵- Applications

۶- Limitations and future challenges

References

 

بخشی از متن مقاله:

From feature engineering to end-to-end learning

Humans classify or annotate music based on diverse characteristics extracted from the audio signals. For example, a heavily distorted electric guitar sound with growling vocals is a good indication of metal music. Swing rhythms, syncopation, and chromatic comping by polyphonic instruments (e.g., piano or guitars) are obvious cues that the music is jazz. Translating these acoustic and musical features into numerical representations that computers can interpret is the essence of music classification and tagging. This usually involves a series of computation steps that convert audio content into a time–frequency representation, extract discriminative features, summarize them over time, and repeat the feature extraction and summarization until the proper category for the music can be determined. The way of improving each feature extraction step to achieve the best performance has evolved with advances in learning algorithms from hand engineering based on domain knowledge to end-to-end learning. Humphrey et al. [9] explained the transition in a unified deep architecture model where multiple blocks of affine transformation, nonlinear function, and optional pooling operation are pipelined. Figure 1 illustrates four different feature representation approaches in their framework. In reviewing the evolution of such approaches, we first separate them into two classes: feature engineering and feature learning.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا