Exploring Data Augmentation for Improved Singing Voice Detection with Neural Networks

singing voice detectionタスクにおいて、様々な入力音声のDataAugmentationを試した報告

論文本体・著者

音声データから、ボーカル歌唱部分をアノテーションする問題(singing voice detection)
- 入力は対数スペクトログラム、出力は各時間ごとにそこが歌唱音声or notの2値


論文 Fig. 1 より


論文 Fig. 2 より。左右はデータセット違い

Dropoutやgaussian noise付加はエラー率を大きくしてしまう。
Pitch shiftが効く
- [感想] ただし歌唱部認識という問題特有かも。。
mixingはうまく行かなかった
- ノイズに強くなってほしかったんだが、単に問題を難しくしてしまったようである
test-timeにもpitch shiftを行って、その結果をaverageすると性能が上がった
最終的にpitch shift +-30%範囲、time stretch +-30%範囲、frequency filter +-10%を行ったもの(combined)が最も性能向上した
さらに、test-timeにもpitch shift augmentationをして、その結果を平均取ることで性能向上した