Wyszukiwarka
Abstrakt
The purpose of this paper is to introduce neural network-based methods that surpass state-of-the-art (SOTA) models, either by training faster or having simpler architecture, while maintaining comparable effectiveness in musical instrument identification in polyphonic music. Several approaches are presented, including two authors’ proposals, i.e., spiking neural networks (SNN) and a modular deep learning model named FMCNN (Fully Modular Convolutional Neural Network). First, a convolutional neural network (CNN) and convolutional-recurrent neural network (CRNN), adapted from literature, are built to detect up to 13 different instruments in polyphonic music. Furthermore, FMCNN and SNN are explored. The results obtained demonstrate that both FMCNN and SNN outperform traditional CNN and CRNN in terms of accurate instrument identification. Moreover, the SNN architecture is much less complex compared to other model sizes. These findings highlight the efficacy of the methods proposed in musical instrument identification in polyphonic audio.
Cytowania
-
0
CrossRef
-
0
Web of Science
-
0
Scopus
Autorzy (3)
-
Maciej Blaszke
-
Grazina Korvel
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Publikacja w czasopiśmie
- Typ:
- artykuły w czasopismach dostępnych w wersji elektronicznej [także online]
- Opublikowano w:
-
IEEE INTELLIGENT SYSTEMS
strony 1 - 11,
ISSN: 1541-1672 - Język:
- angielski
- Rok wydania:
- 2024
- Opis bibliograficzny:
- Blaszke M., Korvel G., Kostek B., Exploring Neural Networks for Musical Instrument Identification in Polyphonic Audio, IEEE INTELLIGENT SYSTEMS, 2024,10.1109/MIS.2024.3392586
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1109/mis.2024.3392586
- Źródła finansowania:
-
- Publikacja bezkosztowa
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 53 razy