[發明專利]一種改進DCNN的音樂流派分類方法

在審

• 申請號: 202011280422.0
• 申請日: 2020-11-16
• 公開（公告）號: CN112466329A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 劉萬軍;王佳銘;曲海成;王俊愷
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G10L25/30
• 分類號: G10L25/30;G10L25/51;G10L25/24;G10L25/18;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京華夏正合知識產權代理事務所(普通合伙) 11017
• 代理人: 韓登營;張麗萍

本發明公開了一種改進DCNN的音樂流派分類方法，包括：輸入訓練集和驗證集；提取音頻信息MFCC特征；生成頻譜；頻譜切割；輸入網絡模型；訓練模型；驗證模型；是否達到指定批次；輸出模型。本發明通過一個函數來實現通道維數的自適應，來確保局域交叉通道相互作用的覆蓋范圍，更為有效地將ECA模塊整合到現有的DCNN架構中，為網絡模型帶來明顯的性能增益，進而提升音樂流派分類的工作效率。通過梅爾頻率倒譜系數，模擬人體聽覺系統的感知特點，進一步提升分類精度。

技術領域

本發明屬于高光譜圖像分類的技術領域，尤其涉及一種改進DCNN的音樂流派分類方法。

背景技術

現階段，傳統的音樂流派分類方法已慢慢被深度學習方法所取代。通過特征學習和深度結構來實現流派分類的方法相對傳統方法的優勢主要有：(1)規避了過于專業的樂理知識技術，不需要使用者設計人工特征；(2)具有良好的端到端學習結構，解決音樂流派相關問題具有一定優勢；(3)可以大幅減輕專業人員的負擔，提升相關工作效率。

深度卷積神經網絡(DCNN)作為在音樂流派分類領域應用較為廣泛的深度學習模型之一，也取得了較好的應用效果，為了在音樂流派分類的性能方面進一步改善DCNN，通道注意力機制展現出了巨大的潛力。為了取得更好的分類效果，現存的大多數方法都將開發更為復雜的注意力模塊作為根本任務，但是與此同時，計算的復雜度也在不斷攀升。

隨著互聯網技術的高速發展，人們可以獲得海量音頻、視頻以及圖像的途徑愈發廣泛。隨著互聯網曲庫和用戶多樣化需求的不斷豐富。對于可以滿足用戶，可以對海量音樂信息進行個性化檢索的這一迫切需求。音樂流派分類方法從音樂的不同藝術表現形式入手，通過音樂自身的信息內容，對旋律、和聲、節奏以及曲式等音樂要素形成的音樂流派進行分類檢索。

在音樂流派分類領域中，傳統的機器學習模型通過應用領域專家設計的人工特征，就已經達到了一定的分類效果。但是這類人工特征需要設計者的專業性極高，且部分特征缺乏通用性和可遷移性。隨著深度學習模型的應用，這一具備良好學習結構的模型直接優化了設計人工特征這一流程，在減輕專業技術人員負擔的同時大大提升了工作效率。由此，深度學習模型便迅速奪得了音樂流派分類技術的主流，并為解決更為復雜的音樂檢索問題打下了堅實的基礎。

由于深度卷積神經網絡(DCNN)具有權值共享和較好的局部感知特性，對音樂數據頻譜圖象中音樂流派特征和節奏頻率等要素的局部微弱變化感知能力較強，由此成為了實現音樂流派分類的一種常用模型。隨著音樂流派分類技術的飛速發展，為了優化分類效果、提升深度學習模型的性能，將注意力機制引入卷積塊憑借對各種DCNN架構的明顯增益，顯示出了極大的改進潛力。現有的開發注意力模塊的方向大致分為兩種：(1)增強特征聚合；(2)通道注意力與空間注意力相結合；

有效的通道注意是提升深度卷積神經網絡在音樂流派分類效果上的關鍵。現有的將注意機制應用于深度神經網絡的技術，主要還是以開發復雜的注意模塊為主，并且在降低模型的復雜度上，有些直接采用降維方式對復雜度進行降低的方法，雖說達到了原有的目標，但是很大程度上，對通道與其權值的直接對應關系產生了影響。學習有效的通道注意力，在降低模型復雜度的同時，對DCNN進行性能上的優化，是一項很有意義的研究。

賈連印等2019年提出一種基于特征選擇加權模糊支持向量機的音樂流派分類方法，通過reliefF計算提取特征的權重，保留權重和大于80％的大權重特征，通過模糊支持向量機的思想，對不同輸入樣本賦以相應隸屬度，對于盲區不可分點，采用加權歐氏距離進行多類別概率劃分。本發明涉及的深度卷積神經網絡與此發明中采用的傳統算法相比：避免了將特征選擇和分類器進行分別設計，增強模型遷移性；深度學習模型自動學習特征的能力，提升模型泛化性；結合通道注意機制對模型的分類精度進行進一步地提升。