加州大学圣地亚哥分校(University of California - San Diego)是一所位于美国加州的著名公立大学,为美国全国性第一级(Tier1)的大学,属于加州大学系统之一,位于南加州圣地牙哥市的拉荷亚社区。加州大学圣地亚哥分校是北美一个重要的研究中心,虽然成立较晚,但其实是以世界顶级的斯克里普斯海洋学院及圣地亚哥市医学体系为主建立的。自二十世纪建校以来,以其活跃创新的学术风气吸引来自世界各地的学生、学者及研究人员,迅速成长为世界顶尖学府。

VIP内容

报告主题:Generating Music with GANs: An Overview and Case Studies

报告摘要:本教程旨在概述生成对抗网络(GAN)及其在生成音乐中的使用。教程的格式将包括讲座,示例系统的演示和带有说明性音乐示例的技术成果。

  • 我们将从讨论音乐生成的范围开始,并介绍可以广泛地视为音乐生成的各种任务。对于每个任务,我们将讨论其挑战,常用方法以及文献中提出的一些著名系统。
  • 在第二部分中,我们将解释GAN的机器学习基础。我们还将介绍GAN在其他领域的一些有趣应用,以展示其潜力。
  • 下一节将包含四个不同任务的案例研究-符号旋律生成,符号排列生成,符号音乐风格转换和音乐音频生成。在每一部分中,我们将首先概述该任务,然后介绍一些文献中提出的模型作为示例。
  • 我们将通过讨论基于GAN的模型的当前局限性并提出一些可能的未来研究方向来结束本教程。除了讲座之外,我们还将使用Google Colab进行一些演示项目。这些演示项目旨在为参与者提供动手经验和对GAN培训的更深刻理解。我们还将涵盖诸如数据表示,处理,I/O,可视化和评估之类的主题。

本教程面向对音乐生成研究感兴趣或正在从事音乐生成研究的学生和新手,以及希望了解如何将GANs应用于音乐生成的机器学习专家。

邀请嘉宾: Hao-Wen Dong,目前是雅马哈公司研发部的研究实习生。 他将开始攻读加州大学圣地亚哥分校的电气和计算机工程专业。 在此之前,他是中国科学院音乐与AI实验室 Yang博士的研究助理。 他的研究兴趣在于机器学习和音乐的交集。

Yi-Hsuan Yang,中国科学院的副研究员,领导着一个名为音乐与AI的研究实验室。国立成功大学的联席副教授。研究兴趣包括音乐信息检索,情感计算和机器学习。 Yang博士曾获得2011年IEEE信号处理协会青年作者最佳论文奖,2012年ACM多媒体挑战赛一等奖和IEEE多媒体通信技术委员会2015年最佳会议论文奖。 2014年,担任国际音乐信息检索学会(ISMIR)的技术计划主席。在ISMIR 2012中提供了有关“音乐情感识别:最新技术和经验教训”的教程。并在2016/2019年担任IEEE情感计算交易和IEEE多媒体交易的副编辑。

成为VIP会员查看完整内容
ismir2019-tutorial-slides.pdf
0
15

最新论文

With the recent development of autonomous vehicle technology, there have been active efforts on the deployment of this technology at different scales that include urban and highway driving. While many of the prototypes showcased have been shown to operate under specific cases, little effort has been made to better understand their shortcomings and generalizability to new areas. Distance, uptime and number of manual disengagements performed during autonomous driving provide a high-level idea on the performance of an autonomous system but without proper data normalization, testing location information, and the number of vehicles involved in testing, the disengagement reports alone do not fully encompass system performance and robustness. Thus, in this study a complete set of metrics are applied for benchmarking autonomous vehicle systems in a variety of scenarios that can be extended for comparison with human drivers and other autonomous vehicle systems. These metrics have been used to benchmark UC San Diego's autonomous vehicle platforms during early deployments for micro-transit and autonomous mail delivery applications.

0
0
下载
预览
Top