文件名称：CLMR:PyTorch官方实施的音乐表征对比学习
文件大小：574KB
文件格式：ZIP
更新时间：2024-05-24 12:41:33
music-information-retrieval music-classification self-supervised-learning contrastive-learning Python
音乐表现形式的对比学习 J. Spijkervet和JA Burgoyne的PyTorch实施的。 在这项工作中，我们将SimCLR引入音乐领域，并贡献了大量音频数据增强链，从而形成了一个用于自我监督学习音乐原始波形的简单框架：CLMR。 我们评估自我监督的学习表现形式对音乐分类任务的表现。 尽管仅在自我监督的学习表示上使用线性分类器，即相对于完全监督训练的线性分类器，即与任务无关的学习的表示，而没有任何标签，但我们在MagnaTagATune和Million Song数据集上取得了相对于完全监督训练的竞争结果。 CLMR可以实现有效的分类：仅使用1％的标记数据，与使用100％的标记数据相比，我们获得类似的评分。 CLMR能够推广到域外数据集：在完全不同的音乐数据集上进行训练时，与对目标数据集进行完全监督的训练相比，它仍然具有竞争优势。 这是CLMR v2实现，对于原始实现，请转
【文件预览】：
CLMR-master
----config()
--------config.yaml(1KB)
----main.py(5KB)
----.github()
--------workflows()
----media()
--------clmr_model.png(423KB)
----tests()
--------data()
--------test_spectogram.py(2KB)
--------test_dataset.py(910B)
--------.DS_Store(6KB)
--------test_audioset.py(1KB)
--------__init__.py(0B)
----LICENSE(11KB)
----preprocess.py(921B)
----requirements.txt(95B)
----clmr()
--------models()
--------evaluation.py(1KB)
--------utils()
--------datasets()
--------data.py(1KB)
--------modules()
----setup.py(4KB)
----.gitignore(31B)
----linear_evaluation.py(4KB)
----README.md(5KB)