评估跨表演爵士乐标准识别的预训练音乐嵌入

从音频中识别爵士乐标准是曲调级音乐检索的一种具有挑战性的形式：同一标准的不同表演可能在速度、调性、编曲、乐器、即兴内容，甚至是否存在主旋律方面有所不同。我们使用专为跨性能标准识别而设计的 Jazz Trio 数据库的精选子集来研究这个问题。我们使用监督探测和最近邻检索，将从头开始训练的 Harmonic CNN 基线与来自最新音乐理解基础模型的冻结预训练音乐表示进行比较。我们的结果表明，从头开始的频谱图模型对训练性能过度拟合，而预训练嵌入提供了更好的 top-k$ 结果，但对表演者身份敏感，可以通过轻量级对比投影部分减少。我们的研究结果促使爵士乐标准识别成为音乐表示模型的有用压力测试，并作为迈向基于检索的标准识别的一步。项目页面：https://github.com/cagries/tipofmyear。