摘要

基于卷积神经网络（CNN）的方法在近期的Cover Song Identification（CSI，翻唱歌曲识别）研究中占据主导地位。一个典型代表是我们提出的ByteCover系统，该系统在所有主流CSI数据集上均取得了当前最优的识别性能。本文提出了一种ByteCover的升级版本——ByteCover2，其在识别准确率和计算效率方面均进一步优于原版ByteCover。与ByteCover相比，ByteCover2引入了一个额外的PCA-FC模块，该模块融合了主成分分析（PCA）与全连接（FC）神经网络的能力，用于音频嵌入的降维处理，从而使得ByteCover2能够以更高的精度和效率完成CSI任务。我们在多种不同维度大小和训练设置下的多个数据集上对ByteCover2进行了评估，结果表明，即便在128维的低维配置下（仅为ByteCover原始维度的1/15），ByteCover2仍优于所有对比方法，包括原始的ByteCover系统。