文档名：一种基于改进CRNN的轻量化乐谱识别方法
摘要：基于深度学习的乐谱识别方法提高了识别精度,但存在模型训练单次迭代耗时长、总迭代轮数多的问题.本文提出了一种改进卷积循环神经网络的轻量化乐谱识别方法CRNN-lite(lightweightConvolutionalRecurrentNeu-ralNetworks),该方法在卷积层引入残差式深度可分离卷积,减少计算量并加速特征图的提取;在循环层使用双向简单循环单元,采用并行计算避免了串行计算的强依赖问题;在转录层调节交叉熵函数参数,针对性地学习不均衡样本数据.实验结果表明,该方法提高训练速度,单次迭代耗时为基准网络的43%,在失真图像数据上符号错误率为1.12%,序列错误率为14.5%,错误率指标均优于对比方案.
Abstract：Thedeeplearning-basedmusicscorerecognitionmethodhasimprovedrecognitionaccuracy,whilethereisadilemmaoflongsingleiterationtimeandmultipletotaliterationsinmodeltraining.ThisworkproposesCRNN-lite(lightweightConvolutionalRecurrentNeuralNetworks)formusicscorerecognition.CRNN-liteintroducedresidualdepthseparableconvolutionintotheconvolutionlayer,whichreducedthecomputationandspeedsupthefeaturemapextraction.Thebidirectionalsimplerecurrentunitwasusedintherecurrentlayer,andthestrongdependenceonserialcomputationwasavoidedbyparallelcomputation.Theparametersofthecrossentropyfunctionwereadjustedatthetranscriptionlayertolearnunbalancedsampledata.Theresultsshowthattheproposedmethodimprovesthetrainingspeed,thesingleiterationtimeis43%ofthebenchmarknetwork,thesymbolerrorrateis1.12%andthesequenceerrorrateis14.5%onthedistortedimagedata.Theerrorrateindexesarebetterthanthecomparisonscheme.
作者：蒋凌云 鞠金恒 徐佳 肖甫Author：JIANGLing-yun JUJin-heng XUJia XIAOFu
作者单位：南京邮电大学计算机学院、软件学院、网络空间安全学院,江苏南京210003
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(11)
分类号：TP391.4
关键词：光学乐谱识别 序列识别 卷积循环神经网络 深度可分离卷积 简单循环单元 不均衡样本学习
Keywords：opticalmusicrecognition sequencerecognition convolutionalrecurrentneuralnetworks depthwiseseparableconvolution simplerecurrentunit unbalancedsamplelearning
机标分类号：TP311TN911.2TP183
在线出版日期：2024年2月1日
基金项目：一种基于改进CRNN的轻量化乐谱识别方法[
期刊论文] 电子学报--2023, 51(11)蒋凌云 鞠金恒 徐佳 肖甫基于深度学习的乐谱识别方法提高了识别精度,但存在模型训练单次迭代耗时长、总迭代轮数多的问题.本文提出了一种改进卷积循环神经网络的轻量化乐谱识别方法CRNN-lite(lightweightConvolutionalRecurrentNeu-ralNetw...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
一种基于改进CRNN的轻量化乐谱识别方法 A Lightweight Music Recognition Method Based on Improved CRNN
一种基于改进CRNN的轻量化乐谱识别方法.pdf
- 文件大小:
- 2.66 MB
- 下载次数:
- 60
-
高速下载
|
