基于注意力机制卷积神经网络钢琴乐谱难度识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110852181A(43)申请公布日2020.02.28(21)申请号201910994951.8(22)申请日2019.10.18(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人闫晗晗李锵关欣(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人刘国威(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书6页附图2页(54)发明名称基于注意力机制卷积神经网络钢琴乐谱难度识别方法(57)摘要本发明属于音乐信息检索领域，为从众多信息中选择出对当前任务目标更关键的信息，充分使用源数据集中包含的所有信息，以提高分类准确率,为钢琴教学和学生学习，提供可靠的钢琴难度信息，同时也大大提高乐谱网站的用户体验。为此，本发明，基于注意力机制卷积神经网络钢琴乐谱难度识别方法，搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将n个不同难度等级的MIDI乐谱文件当做神经网络的n个通道输入到网络模型中进行训练，以便融合不同难度等级数据集的多个特征，进行准确率更高的难度分类，利用训练好的网络模型进行钢琴乐谱难度识别。本发明主要应用于乐谱难度自动识别场合。CN110852181ACN110852181A权利要求书1/1页1.一种基于注意力机制卷积神经网络钢琴乐谱难度识别方法，其特征是，搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将n个不同难度等级的MIDI(MusicalInstrumentDigitalInterface)乐谱文件当做神经网络的n个通道输入到网络模型中进行训练，以便融合不同难度等级数据集的多个特征，进行准确率更高的难度分类，利用训练好的网络模型进行钢琴乐谱难度识别。2.如权利要求1所述的基于注意力机制卷积神经网络钢琴乐谱难度识别方法，其特征是，进行网络训练前先进行训练数据预处理：收集具有难度标签的实验数据源即两种不同评价体系下的数据集，在提取特征之前要先对MIDI乐谱文件进行量化处理，使得音符起振时间和持续时间出现在正确的节奏位置。3.如权利要求1所述的基于注意力机制卷积神经网络钢琴乐谱难度识别方法，其特征是，搭建并训练基于注意机制的改进卷积神经网络模型，以U-Net作为基础，网络包括一个用于分析整首乐谱文件，获取上下文信息的分析路径和一个连续扩展的合成路径；每个路径都有四个分辨率步骤层，两条路径中每层均包含两个内核大小为3×3×3的卷积层，每个卷积层后跟一个ReLu(TheRectifiedLinearUnit)激活函数；相邻两层之间分别是最大池化层和上采样层，步长均为2内核大小均为2×2×2；为了避免瓶颈，分析路径中在最大池化层之前已将通道数量加倍，合成路径中亦将通道数量加倍；在最后一层，内核大小为1×1×1的卷积层将输出通道的数量减少到标签数量；在为合成路径提供基本的难度相关度高的特征的来自分析路径中同层的快捷连接中加入注意门AG(AttentionGate)模型，利用门控信号删减跳过连接中的不相关的特征，突出显示通过跳过连接传递的显著特征，将该网络称为AG_Unet。4.如权利要求1所述的基于注意力机制卷积神经网络钢琴乐谱难度识别方法，其特征是，对所有卷积层的非线性部分采用PReLU激活函数，标准化方式采用实例标准化，在训练过程中使用可数据增强技术进行数据增强，并选用多类Dice损失函数作为损失函数；将预处理后的MIDI乐谱文件分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练。2CN110852181A说明书1/6页基于注意力机制卷积神经网络钢琴乐谱难度识别方法技术领域[0001]本发明属于音乐信息检索领域，将注意力机制和卷积神经网络结合起来，去实现钢琴乐谱难度识别。具体涉及基于注意力机制的改进卷积神经网络钢琴乐谱难度识别方法。背景技术[0002]钢琴乐谱难度等级识别即用一种算法能够自动识别某一钢琴乐谱的难度等级，给予使用者参考意见。每天有大量的钢琴乐谱被创作出来，并且在音乐历史中已经有大量的钢琴乐谱存在。然而，如何从庞大的钢琴乐谱数据中找到与学习者学习等级匹配的乐谱是一个很大的挑战。对于专业钢琴学习者，一般都有固定进阶教材，但不利于个性化学习以激发学习者的热情和兴趣，有必要对网上海量的乐谱进行难度等级的衡量。对于音乐业余爱好者，选择合适自己的难度等级乐谱，以防学习信心受挫，学习热情降低，有利于自身音乐学习水平更快的提升。判断钢琴乐谱的难度等级是一个相对较复杂的任务。首先，钢琴乐谱难度判断的标准和准则较难完全客观地定义出来，现在绝大部分