دانلود مقاله ISI انگلیسی شماره 152707
ترجمه فارسی عنوان مقاله

خودکار برچسب گذاری موسیقی با استفاده از شبکه عصبی مجدد عمیق

عنوان انگلیسی
Music auto-tagging using deep Recurrent Neural Networks
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
152707 2018 7 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 5233 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 11 روز بعد از پرداخت 62,796 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 6 روز بعد از پرداخت 125,592 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Neurocomputing, Volume 292, 31 May 2018, Pages 104-110

ترجمه کلمات کلیدی
برچسب گذاری خودکار موسیقی یادگیری عمیق، بازیابی اطلاعات موسیقی، شبکه عصبی مکرر،
کلمات کلیدی انگلیسی
Music auto-tagging; Deep learning; Music information retrieval; Recurrent Neural Network;
پیش نمایش مقاله
پیش نمایش مقاله خودکار برچسب گذاری موسیقی با استفاده از شبکه عصبی مجدد عمیق

چکیده انگلیسی

Musical tags are used to describe music and are cruxes of music information retrieval. Existing methods for music auto-tagging usually consist of preprocessing phase (feature extraction) and machine learning phase. However, the preprocessing phase of most existing method is suffered either information loss or non-sufficient features, while the machine learning phase depends on heavily the feature extracted in the preprocessing phase, lacking the ability to make use of information. To solve this problem, we propose a content-based automatic tagging algorithm using deep Recurrent Neural Network (RNN) with scattering transformed inputs in this paper. Acting as the first phase, scattering transform extracts features from the raw data, meanwhile retains much more information than traditional methods such as mel-frequency cepstral coefficient (MFCC) and mel-frequency spectrogram. Five-layer RNNs with Gated Recurrent Unit (GRU) and sigmoid output layer are used as the second phase of our algorithm, which are extremely powerful machine learning tools capable of making full use of data fed to them. To evaluate the performance of the architecture, we experiment on Magnatagatune dataset using the measurement of the area under the ROC-curve (AUC-ROC). Experimental results show that the tagging performance can be boosted by the proposed method compared with the state-of-the-art models. Additionally, our architecture results in faster training speed and less memory usage.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 5233 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 11 روز بعد از پرداخت 62,796 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 6 روز بعد از پرداخت 125,592 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.