Siamese Residual Neural Network for Musical Shape Evaluation in Piano Performance Assessment

本文探讨了如何利用人工智能（AI）驱动的模型来简化音乐形态评估，从而在音乐教育和演奏评估中发挥重要作用。将音乐形态评估视为分类问题，本文提出了一种轻量级的连体残差神经网络（S-ResNN）来自动识别音乐形态，以简化原本耗时和费力的音乐形态评估。为了在钢琴音乐形态评估的背景下评估所提出的方法，我们生成了一个新的数据集，其中包含4116首音乐作品，由147个钢琴预备练习衍生而来，并在28个音乐形态类别中演奏。实验结果表明，S-ResNN在精确度、召回率和F1得分方面显著优于许多基准方法。

本论文旨在通过应用人工智能驱动的模型来简化音乐形状评估，解决音乐教育和演奏评估中的问题。作者通过提出一个轻量级的Siamese残差神经网络（S-ResNN）来自动识别音乐形状，以钢琴音乐形状评估为例进行了实验验证。

论文提出了一种轻量级的Siamese残差神经网络（S-ResNN）来自动识别音乐形状，通过将音乐形状评估视为分类问题来解决。相比当前领域的研究，该论文的思路具有新意。

该论文生成了一个包含4116个音乐作品的新数据集，用于钢琴音乐形状评估，实验结果表明S-ResNN在精度、召回率和F1得分方面明显优于其他基准方法。

近期在该领域的相关研究包括：1）'Neural Network-based Music Information Retrieval with Multiple Feature Learning'；2）'Deep Learning for Music'；3）'Music Genre Classification with Transfer Learning Using Convolutional Neural Network'等。