view in publisher's site

An Overview of Lead and Accompaniment Separation in Music

Popular music is often composed of an accompaniment and a lead component, the latter typically consisting of vocals. Filtering such mixtures to extract one or both components has many applications, such as automatic karaoke and remixing. This particular case of source separation yields very specific challenges and opportunities, including the particular complexity of musical structures, but also relevant prior knowledge coming from acoustics, musicology or sound engineering. Due to both its importance in applications and its challenging difficulty, lead and accompaniment separation has been a popular topic in signal processing for decades. In this article, we provide a comprehensive review of this research topic, organizing the different approaches according to whether they are model-based or data-centered. For model-based methods, we organize them according to whether they concentrate on the lead signal, the accompaniment, or both. For data-centered approaches, we discuss the particular difficulty of obtaining data for learning lead separation systems, and then review recent approaches, notably those based on deep learning. Finally, we discuss the delicate problem of evaluating the quality of music separation through adequate metrics and present the results of the largest evaluation, to-date, of lead and accompaniment separation systems. In conjunction with the above, a comprehensive list of references is provided, along with relevant pointers to available implementations and repositories.

مروری بر تفکیک پیشرو و همراه در موسیقی

موسیقی مردمی اغلب از یک همراهی و یک جز اصلی تشکیل شده‌است، که دومی معمولا شامل صدای موسیقی است. تصفیه چنین مخلوط‌هایی برای استخراج یک یا هر دو جز، کاربردهای زیادی دارد، مانند کاراوکه خودکار و ترکیب مجدد. این مورد خاص از جداسازی منبع، چالش‌ها و فرصت‌های بسیار خاصی را ایجاد می‌کند، از جمله پیچیدگی خاص ساختارهای موسیقی، اما همچنین دانش قبلی مربوط به آکوستیک، موسیقی شناسی یا مهندسی صدا. با توجه به اهمیت آن در کاربردها و دشواری چالش برانگیز آن، جداسازی سرب و همراهی به مدت چندین دهه موضوعی محبوب در پردازش سیگنال بوده‌است. در این مقاله، ما مروری جامع از این موضوع تحقیقاتی ارائه می‌دهیم، و رویکردهای مختلف را با توجه به اینکه آیا آن‌ها مبتنی بر مدل هستند یا مبتنی بر داده سازماندهی می‌کنیم. برای روش‌های مبتنی بر مدل، آن‌ها را براساس تمرکز آن‌ها بر روی سیگنال رهبری، همراهی و یا هر دو سازماندهی می‌کنیم. برای رویکردهای داده محور، ما مشکل خاص به دست آوردن داده برای یادگیری سیستم‌های جداسازی رهبر را مورد بحث قرار می‌دهیم و سپس رویکردهای اخیر، به ویژه رویکردهای مبتنی بر یادگیری عمیق را مرور می‌کنیم. در نهایت، ما در مورد مشکل حساس ارزیابی کیفیت جداسازی موسیقی از طریق معیارهای کافی بحث می‌کنیم و نتایج بزرگ‌ترین ارزیابی سیستم‌های جداسازی سرب و همراهی را تا به امروز ارائه می‌دهیم. در ارتباط با موارد بالا، یک لیست جامع از مراجع همراه با نکات مربوط به اجرا و مخازن موجود ارائه شده‌است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Electrical and Electronic Engineering
  • ترجمه مقاله Electrical and Electronic Engineering
  • مقاله مهندسی برق و الکترونیک
  • ترجمه مقاله مهندسی برق و الکترونیک
  • مقاله Acoustics and Ultrasonics
  • ترجمه مقاله Acoustics and Ultrasonics
  • مقاله آکوستیک و فراصوت
  • ترجمه مقاله آکوستیک و فراصوت
  • مقاله Signal Processing
  • ترجمه مقاله Signal Processing
  • مقاله پردازش سیگنال
  • ترجمه مقاله پردازش سیگنال
  • مقاله Instrumentation
  • ترجمه مقاله Instrumentation
  • مقاله دستگاهش
  • ترجمه مقاله دستگاهش
  • مقاله Linguistics and Language
  • ترجمه مقاله Linguistics and Language
  • مقاله زبان‌شناسی و زبان
  • ترجمه مقاله زبان‌شناسی و زبان
  • مقاله Media Technology
  • ترجمه مقاله Media Technology
  • مقاله تکنولوژی رسانه‌ای
  • ترجمه مقاله تکنولوژی رسانه‌ای
  • مقاله Speech and Hearing
  • ترجمه مقاله Speech and Hearing
  • مقاله گفتار و شنوایی
  • ترجمه مقاله گفتار و شنوایی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.