📌 📄 内容摘要:
粉毛红瞳精神病美少女松坂砂糖 (@MatsuzakaSato) 在 某个表征学习的思路，佬友们提提意见 中发帖
目标：通过深度学习提取音乐特征向量（类似音乐指纹）
MFCCs、色度图、频谱图：描述音乐特征的三个时频关系的2D Tensor，MFCCs和色度图由频谱图派生而来。
解法：
1D-CNN分别处理MFCCs和色度图，得到卷积池化表示的新的时频张量
2D-CNN处理色度图，同样得到新的时频张量
这三个CNN保持卷积核宽度和池化参数一致，保证输出的时间序列对齐。
在时间序列上直接堆叠三个张量，让每个时间维度获得三个特征表示。
按照时间维度输入BiLSTM，取隐藏层，得到大小固定、提取到时序特征的张量。
全连接降维，输出最终结果
可能的优化点：
频谱图信息可能与前二者重复，考虑对频谱图进行降维或者尝试舍弃掉
使用DSC降低计算量？
用GRU而不是BiLSTM，甚至考虑TCN？
全局平均池化（GAP）和RNN怎么选，需要讨论
能否引入Attention层
────────── 链接信息 ──────────
🔗 论坛链接: linux.do
📎 访问地址: https://linux.do/t/topic/567088/1
─────────────────────────────
📢 来源：LINUX DO
