Beat this! Accurate beat tracking without DBN postprocessing

我们提出了一个系统，用于跟踪节拍和下拍，有两个目标：跨越多种音乐类型的通用性和高准确性。我们通过在多个数据集上进行训练（包括独奏乐器录音、拍号变化的作品和有高速度变化的古典音乐等），并删除常用的动态贝叶斯网络（DBN）后处理，从而实现了通用性，后处理会对节拍和速度引入约束。为了提高准确性，我们开发了一种容忍注释小时间偏移的损失函数，并使用交替卷积和变压器的架构，无论是在频率上还是在时间上。我们的系统在F1得分上超过了当前的最新技术，尽管没有使用DBN。然而，它仍然可能失败，特别是对于困难和不常见的音乐类型，而且在连续性指标上表现较差，因此我们发布了我们的模型、代码和预处理的数据集，并邀请其他人超越我们。

论文旨在设计一种能够跨多种音乐类型实现高精度的节拍和下拍跟踪系统，同时提供开源代码和数据集以便其他研究者进一步探索。

论文提出了一种基于卷积和Transformer结构的模型，并通过训练多个数据集和开发新的损失函数等方法来提高精度。与当前领域中常用的动态贝叶斯网络不同，该模型不会对节拍和速度引入限制，从而实现更广泛的适用性。

该模型在不使用动态贝叶斯网络的情况下，仍然能够超越当前技术水平，在F1分数上达到更高的精度。此外，论文还发布了模型、代码和预处理数据集，以便其他研究者进一步使用和改进。

在这个领域中，最近的相关研究包括“End-to-End Neural Beat Tracking with Recurrent Neural Networks and Transformer Networks”和“Deep Convolutional Networks for Beat Tracking”。