摘要

近年来，自动钢琴转录算法由于新数据集和建模技术的发展而取得了显著进步。近期的研究主要集中在适应新的神经网络架构，如Transformer和Perceiver，以提高系统的准确性。在本研究中，我们从训练数据的角度对转录系统进行了探讨。通过测量这些模型在分布外注释的钢琴数据上的表现，我们展示了它们如何严重过拟合到训练数据的声学特性。为此，我们在专业录音棚环境中通过Yamaha Disklavier回放自动捕获了一组新的音频，为MAESTRO数据集创建了新的音频资料。在使用原始版本和重新演奏版本的MAESTRO数据集进行训练时，结合各种数据增强技术，我们在MAPS数据集上达到了88.4的F1分数（note-onset准确率），而没有使用其任何训练数据。随后，我们通过一系列消融实验分析了这些数据增强技术，以便更好地理解它们对最终模型的影响。