哈嘍，你們還好嗎？是否有想起我呢？
假期前我面臨的問題是音頻特征提取的問題，也就是特征工程。業務是視頻中的音頻場景分類，為視頻分類、視頻推薦做準備，這個看似簡單的問題其實做起來一點也不簡單，因此，賦閑期間實在無聊透頂，終于撿起來了昨日的黃花，重新開始，閱讀一些相關文獻，期望有所收獲。
【悟已往之不諫，知來者之可追】
主要方面：
1.音頻場景分類/分割問題；
2.音樂推薦系統；
本篇博文先說音頻場景分類，其實這個問題由來已久，也有相關的比賽DCASE，但沒來得及認真看下dcase2019就放假了，誰知道假期還這么長，一時半會兒也接不上了，因而不表。
這里提一點分割的問題，和端點檢測類似，場景分割也需要檢測跳變點（可能比較基礎，不要笑），目前所見的一些之前的畢業論文仍舊是以低級特征來區分，比如熵、能量、MFCC，而且需要設定閾值等經驗參數，這是有很大的弊端，不可能放之四海而皆準，可能只會對實驗數據效果較好。
有論文提到結合BIC來做的模型效果不錯，這里也說下BIC，這個貝葉斯信息準則是用來模型選擇的，BIC=kln(n)-2ln(L)
另外論文中說懲罰因子關系到什么跳變點的檢出？讓我一臉懵逼，上面這個公式里面有懲罰因子？尋根究底后發現是BIC距離，是計算向量X和Y的對數似然距離。
論文所提的方法是聚類后生成的字典，然后將MFCC向字典投影作為特征，然后用SVM分類，這是啥特征操作？？？

?關于音樂推薦，目前有基于內容、協同過濾、語境、圖模型的推薦。基于內容過濾的容易理解，就是音頻特征，用的大多數還是低級特征，比如MFCC、能量、pitch、頻帶包絡，然后進行特征拼接，計算相似性（測度/距離），當然也有其他特征參與，比如音樂節奏、節拍、音色、體裁。舉個例子，某篇博文以短時譜模糊表示音樂內容，每幀選取最大的k個頻率從大到小排序，構成k*n矩陣，n是總的幀數，然后計算同shape矩陣相似度，假設矩陣A和B，那么A點除以B，如果商落在[0.95，1.05]范圍外，那么該元素視為偏差元素，最后的相似度為1-m/(k*n)，m為偏差元素個數。這里面有個查詢/搜索問題，當前過來的矩陣n可能與數據庫中的不同，作者也給出了方法，假設數據庫中n值大，將第一個元素與匹配的矩陣最接近的位置作為查詢起始點，也可將查詢片段刪除幾列(幀數)，再次查詢，最后選擇相似度最大的作為結果。根據作者top1
?

待續吧。。

另外有相關問題可以加入QQ群討論，不設微信群

QQ群：868373192?

語音圖像視頻深度-學習群

總結

以上是生活随笔為你收集整理的音乐推荐初步的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。