,

مقاله نقطه کور SMC: تحلیل حالت شکست ردیابی ضرب‌آهنگ پیشرفته

تومان249,950

در دو دهه گذشته، وظیفه ردیابی ضرب موسیقی از الگوریتم‌های اکتشافی تشخیص شروع صدا به شبکه‌های عصبی عمیق (DNN) بسیار توانمند منتقل شده است. اگرچه مدل‌های ردیابی ضرب مبتنی بر DNN در مجموعه داده‌های اصلی و…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000332 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نقطه کور SMC: تحلیل حالت شکست ردیابی ضرب‌آهنگ پیشرفته

The SMC Blind Spot: A Failure Mode Analysis of State-of-the-Art Beat Tracking

نویسندگان: Jaehoon Ahn, Tae Gum Hwang, Moon-Ryul Jung

شناسه منبع: arxiv / 2605.12287v1

دسته: eess.AS,cs.SD

چکیده (فارسی)

در دو دهه گذشته، وظیفه ردیابی ضرب موسیقی از الگوریتم‌های اکتشافی تشخیص شروع صدا به شبکه‌های عصبی عمیق (DNN) بسیار توانمند منتقل شده است. اگرچه مدل‌های ردیابی ضرب مبتنی بر DNN در مجموعه داده‌های اصلی و کوبه‌ای به عملکردی نزدیک به کمال دست می‌یابند، اما مجموعه داده SMC به طور سرسختانه‌ای امتیازات F-measure پایینی را نشان داده است. با آزمایش میزان موفقیت مدل‌های پیشرفته در تشخیص ضرب در قطعات مجزا در مجموعه داده SMC، سه حالت شکست متمایز را شناسایی می‌کنیم: خطاهای اکتاو، خطاهای پیوستگی، و شکست کامل ردیابی که در آن تمام معیارها به زیر 0.3 می‌رسند. ما نشان می‌دهیم که مدل‌های پیشرفته تمایل به تولید فعال‌سازی‌های "مطمئن اما اشتباه" دارند. علاوه بر این، نشان می‌دهیم که حداقل سرعت پیش‌فرض 55 BPM در DBN استاندارد مانع از استنتاج سرعت صحیح برای 21 درصد از قطعات SMC می‌شود و منجر به پیش‌بینی‌های دو برابر سرعت در موسیقی کند می‌شود. با آشکار کردن چنین غفلت‌های اساسی، جهت‌گیری‌های مشخصی را برای بهبود تشخیص ضرب و ضرب اصلی ارائه می‌دهیم، به ویژه با تأکید بر تنوع داده‌های آموزشی و تخمین سرعت چند فرضیه.

Abstract (English)

Over the past two decades, the task of musical beat tracking has transitioned from heuristic onset detection algorithms to highly capable deep neural networks (DNN). Although DNN-based beat tracking models achieve near-perfect performance on mainstream, percussive datasets, the SMC dataset has stubbornly yielded low F-measure scores. By testing how well state-of-the-art models detect beats on individual tracks in the SMC dataset, we identify three distinct failure modes: octave errors, continuity errors, and complete tracking failure where all metrics fall below 0.3. We reveal that state-of-the-art models tend to generate "confident-but-wrong" activations. Furthermore, we show that the standard DBN's default minimum tempo of 55 BPM prevents it from inferring the correct tempo for 21% of SMC tracks, forcing double-tempo predictions on slow music. By exposing such fundamental oversights, we provide concrete directions for improving beat and downbeat detection, specifically emphasizing training data diversification and multi-hypothesis tempo estimation.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله نقطه کور SMC: تحلیل حالت شکست ردیابی ضرب‌آهنگ پیشرفته”

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

پیمایش به بالا