基于深度学习的多声部乐谱识别方法.pdf
书生****写意
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于深度学习的多声部乐谱识别方法.pdf
本发明公开了基于深度学习的多声部乐谱识别方法,本发明针对印刷体多声部乐谱提出一个基于深度学习的乐谱识别模型,基于卷积神经网络、数据增强、迁移学习的端到端乐谱音符识别方法旨在解决多声部乐谱音符识别过程中存在精度低,音符遗漏等问题。该模型采用多任务学习,可同时学习音高、时值的分类任务和音符坐标的回归任务。在模型在训练上,使用了神经网络中的微调技术,目的是为了更好地检测到乐谱中的和弦音符,实验结果表明,该模型能精确地识别多声部乐谱中的音符,在和弦音符的识别上也表现出了良好的性能。
基于深度学习的端到端乐谱音符识别方法.pdf
本发明公开了基于深度学习的端到端乐谱音符识别方法,该方法一共分为三步:(1)数据预处理:需要从MuseScore中下载对应的数据集,重新编码音高和时值标签。(2)数据增强:对重新编码后的乐谱数据进行数据增强,本发明提出了4种不同的增强方法。(3)端到端模型:应用于端到端乐谱音符识别的深度卷积神经网络模型,将增强后的数据输入的模型,模型的输出为音符时值和音高。本发明在于针对打印体乐谱提出一个基于深度学习的乐谱音符识别模型,即输入整张乐谱图像到该模型,直接输出乐谱上音符的时值和音高,该模型完全端到端,能够精准
电子装置、基于深度学习的乐谱识别方法及存储介质.pdf
本发明公开了一种电子装置、基于深度学习的乐谱识别方法及存储介质,通过获取待判别音乐质量的乐谱中的音乐元素,将获取的音乐元素进行预处理,生成对应的音乐特征矩阵;将所述音乐特征矩阵代入预先确定的音乐力度标注模型进行识别,输出标注了音乐力度的乐谱;根据预先确定的音乐识别模型分析标注了音乐力度的乐谱,确定标注了音乐力度的乐谱是否符合预定义的音乐标准;若符合,则确定待判别音乐质量的乐谱合格,或者,若不符合,则确定待判别音乐质量的乐谱不合格。能够准确地识别出音乐作品的质量,且该方法简单灵活实用性强。
基于多频多域深度学习的雷达步态识别方法.pdf
本发明公开了一种基于多频多域深度学习的雷达步态识别方法,用频率步进连续波雷达对步态多次采样,对每个样本分别处理得到多频率时频域微多普勒谱图和时域距离像。将多频率时频域谱图按相似度分组,再将同一组时频域谱图组合为一多通道的高维时频域谱图,并运用多个卷积神经网络分别提取多组高维时频域谱图和时域距离像的分类特征向量,将提取的多组时频域特征和时域特征结合为一个新的特征向量,并将其传入到稀疏自编码神经网络去除无用特征后输入到分类器中完成步态分类。本发明通过获取多频率时频域微多普勒谱图和时域距离像,由深度学习网络综合
一种基于深度学习的多特征表情识别方法.pdf
一种基于深度学习的多特征表情识别方法,属于机器学习和深度学习技术领域,包括如下:获取包含人体和环境的清晰图像并进行简单的预处理,将图片压缩到640*640大小或小于这个大小的原色RGB图片,保留颜色通道,这里使用的是公开数据集Emotic表情识别数据集;整体网络的构成为目标检测网络并联场景信息识别网络,最后输出到分类网络,而目标检测网络由主干网络CSPdarknet53,特征提取的特征金字塔结构并联特征增强网络,最后输出人体的位置信息和0/1置信度信息,再送入分类网络和场景信息一起进行分类输出最终结果。本