[論文レビュー] FMA: A Dataset For Music Analysis

Michaël Defferrard, Kirell Benzi+2 more|arXiv (Cornell University)|Dec 6, 2016

Music and Audio Processing参考文献 38被引用数 161

ひとこと要約

Free Music Archive (FMA) の紹介。大規模 CC-ライセンスのオーディオデータセットで、フルレングスの高品質トラック、豊富なメタデータ、再現可能な MIR ベンチマークとエンドツーエンド学習を可能にする事前計算特徴を提供。サブセット、スプリット、ジャンル認識および関連タスクのベースラインを提供。

ABSTRACT

We introduce the Free Music Archive (FMA), an open and easily accessible dataset suitable for evaluating several tasks in MIR, a field concerned with browsing, searching, and organizing large music collections. The community's growing interest in feature and end-to-end learning is however restrained by the limited availability of large audio datasets. The FMA aims to overcome this hurdle by providing 917 GiB and 343 days of Creative Commons-licensed audio from 106,574 tracks from 16,341 artists and 14,854 albums, arranged in a hierarchical taxonomy of 161 genres. It provides full-length and high-quality audio, pre-computed features, together with track- and user-level metadata, tags, and free-form text such as biographies. We here describe the dataset and how it was created, propose a train/validation/test split and three subsets, discuss some suitable MIR tasks, and evaluate some baselines for genre recognition. Code, data, and usage examples are available at https://github.com/mdeff/fma

研究の動機と目的

• 研究を再現可能な MIR ベンチマークを可能にし、エンドツーエンド学習研究を支援するための大規模な公開ライセンス付き音楽データセットを提供する。
• 161ジャンルの階層的タクソノミーで、各トラックに対して豊富なメタデータを持つフルレングスの高品質オーディオを提供する。
• 異なるリソースレベルに適した標準化されたトレーニング/検証/テストの分割とデータサブセットを提案する。
• 下限ベンチマークを確立するためのベースラインのジャンル認識性能を示す。

提案手法

• Creative Commons ライセンス下で、16,341 アーティスト、14,854 アルバムにまたがる 106,574 曲を収集する。
• 多層階層を持つ161ジャンルのタクソノミーを構築し、各トラックに genres_all と genres_top を計算・格納する。
• librosa 0.5.0 を用いて、2048サンプル窓、512サンプルホップで、518 の事前計算オーディオ特徴を提供し、7つの統計値で要約する。
• 現実性とアクセス性のバランスを取るため、Full、Large、Medium、Small の4つのデータセットサブセットを作成する。
• アーティストレベルの分離を含む80/10/10の層化分割を定義し、トレイン-テストの漏洩を避け、根幹ジャンルの表現を保証する。
• 複数の特徴セットに対して、LR，kNN，SVM，MLP などの分類器を用いたジャンル認識のベースラインを提供する。

実験結果

リサーチクエスチョン

• RQ1 大規模な CC-ライセンス音楽データセットは、どのようにして再現可能な MIR 研究とエンドツーエンド学習を支援し得るか？
• RQ2 メタデータの豊富さとジャンル階層の特徴は、音楽ジャンル認識と関連タスクをどう強化するか？
• RQ3 現実性、アクセス性、計算制約のバランスを取る適切なトレイン/バリデーション/テストの分割とサブセットは何か？
• RQ4 FMAの事前計算特徴を用いたトップジャンル認識で、一般的な分類器が達成するベースライン性能はどれか？

主な発見

• データセットは、全トラックのオーディオ（44.1 kHz、約320 kbps）と、トラックごと、アルバムごと、アーティストごとレベルの豊富なメタデータを提供する106,574曲を含む。
• 複数のサブジャンルを含む161ジャンルの階層と genres_all アノテーションが実装され、細粒度の MGR タスクを支援する。
• トラックごとに事前計算された518 の Librosa 特徴量により、ウィンドウ上の7つの統計要約とともに迅速なベースライン実験を可能にする。
• Medium サブセットでのベースラインジャンル認識は、特徴量/分類器の組み合わせごとにさまざまな精度を示し、タスクの難易度を示すとともに下限の参照を提供する。
• 著者らはコード、データ、再現可能なワークフローを公開し、MIRベンチマークの透明性と再現性を促進する。