자동 코드 인식을 위한 강력한 톤넷 공간 변환 학습

시간적 음 고유 클래스를 프로파일 - 일반적으로 크로마그램이라 불리는 - 음악적 조화 분석의 내용 기반 방법에 대한 사실상의 표준 신호 표현이며, 실제적인 몇 가지 어려움을 나타냅니다. 여기에서는 오디오 데이터를 톤넷 공간으로 투사하는 강력한 함수를 학습하기 위한 새로운 데이터 기반 접근법을 제시합니다. 이는 음악 이론에 근거한 동등한 음정 간격의 기하학적 표현입니다. 우리는 이 표현을 자동 코드 인식에 적용하며, 우리의 접근법이 이전 크로마 표현의 분류 정확성을 초월하며, 크로마와 관련된 고유한 도전 과제를 회피하는 중간 수준의 특징 공간을 제공함을 보여줍니다.