Machine Learning Techniques in Automatic Music Transcription: A Systematic Survey

在音乐信息检索（MIR）领域中，自动音乐转录（AMT）成为一个中心挑战，旨在将音频信号转换为音符或乐谱等符号表示。这篇系统性综述强调了AMT在音乐信号分析中的关键作用，强调了其重要性，因为音乐和声的谱结构错综复杂。通过对AMT中使用的现有机器学习技术进行彻底的检查，我们探讨了当前模型和方法的进展和限制。尽管有值得注意的进展，但由于音乐和声的复杂性和对细微差别的解释需求，AMT系统尚未达到人类专家的准确度。本综述批判性地评估了完全自动和半自动AMT系统，强调了最小用户干预的重要性，并检查了迄今提出的各种方法。通过解决先前技术的限制并提出改进的途径，我们的目标是引导未来的研究朝着能够准确高效地将错综复杂的音频信号转换为精确符号表示的完全自动AMT系统发展。这项研究不仅综合了最新的进展，而且为克服AMT中现有挑战提供了路线图，为研究人员提供了有价值的见解，旨在缩小当前系统与人类级别的转录准确度之间的差距。

论文旨在解决音乐信息检索（MIR）中的自动音乐转录（AMT）问题，即将音频信号转换为符号符号化表示，如音符或乐谱。当前的AMT系统还无法达到人类专家的准确度水平，因此需要改进。

论文通过对现有机器学习技术在AMT中的应用进行深入研究，探讨了当前模型和方法的进展和限制，并提出了一些改进的方案，旨在实现准确和高效的AMT系统。

论文对全自动和半自动AMT系统进行了批判性评估，强调了最小用户干预的重要性，并探讨了各种不同的方法。实验使用了多个数据集，并提出了一些改进的方案，为未来的研究提供了有价值的启示。

最近在这个领域中，还有一些相关研究，如“Automatic music transcription: A brief survey”和“Deep Learning for Music Transcription: A Review”。