Enhanced Automatic Drum Transcription via Drum Stem Source Separation
arXiv - 2025
লোড হচ্ছে...
ADTOF Plus · ADTOF Direct · ADT_STR · MSG-LD. সম্পূর্ণ মিক্সে নির্বাচিত প্রক্রিয়া অনুযায়ী আগে ড্রাম আলাদা করা হয়। আলাদা ড্রাম ট্র্যাক সরাসরি নির্বাচিত ট্রান্সক্রিপশন বা পৃথকীকরণ মডেলে যায়।
ইনপুট
mp3 / wav / flac / ogg / m4a / aac / aif / aiff / mp4 / mov / mkv এর মতো ফর্ম্যাটগুলিতে ইনপুট সমর্থন করে
সমর্থিত বিন্যাস
আউটপুট
5 × WAV · MIDI · CSV
কেস ব্যবহার করুন
নোট, যন্ত্রবিন্যাস ও পরিবেশনার খুঁটিনাটি সম্পাদনা করুন।
আপনার উপাদান ও উদ্দেশ্যের উপযোগী মডেল বেছে নিন এবং জমা দেওয়ার আগে উদাহরণগুলো দেখুন।
খরচ, সময়, ফরম্যাট ও প্যারামিটার নির্বাচিত মডেলের ওপর নির্ভর করে।
ড্রামের অংশ আলাদা করে এবং আঘাতের অবস্থান শনাক্ত করে। MIDI velocity 100-তে স্থির, প্রতিটি ইভেন্ট 0.1 সেকেন্ড দীর্ঘ; সম্পূর্ণ WAV-এর দৈর্ঘ্য বদলায় না।
মতামতে টুলের নাম, ধাপগুলো এবং সমস্যাটি লিখুন। স্ক্রিনশট দিলে সমস্যা খুঁজতে সুবিধা হয়।
MSG-LD পাঁচটি ড্রাম ট্র্যাক তৈরি করে ও আঘাতের শুরু শনাক্ত করে; MIDI-তে বেগ 100 এবং বাজানোর দৈর্ঘ্য 0.1 সেকেন্ড স্থির।
ADTOF Plus, ADTOF-এর সঙ্গে ড্রাম পৃথকীকরণ, আঘাতের তীব্রতা নির্ধারণ ও খোলা/বন্ধ হাই-হ্যাট প্রক্রিয়াকরণ যোগ করে এবং সম্পূর্ণ মিক্স গ্রহণ করে।
ADTOF Direct, PyTorch ADTOF দিয়ে আলাদা ড্রাম ট্র্যাকের নোট তৈরি করে। সম্পূর্ণ মিক্স বেছে নিলে TelkNet আগে AudioSep-Hive দিয়ে ড্রাম আলাদা করে; Plus-এর আঘাতের তীব্রতা ও খোলা/বন্ধ হাই-হ্যাটের পরবর্তী প্রক্রিয়াকরণ প্রয়োগ করে না।
ADT_STR 26 শ্রেণির ড্রামের শুরুর সময় ও বেগ শনাক্ত করে MIDI তৈরি করে।
ADT_STR 26 শ্রেণির ড্রামের শুরুর সময় ও বেগ শনাক্ত করে MIDI তৈরি করে।
ADT_STR 26 শ্রেণির ড্রামের শুরুর সময় ও বেগ শনাক্ত করে MIDI তৈরি করে।
arXiv - 2025
ISMIR - 2021
Signals - 2023
এখানে এবং অন্যত্র ব্যবহৃত মডেলগুলোর প্রকাশিত পরীক্ষার ফল অন্তর্ভুক্ত আছে। শুরুতে উৎসের সম্পূর্ণ সারণি দেখানো হয়; তুলনার জন্য শর্ত ও মাপকাঠিও বেছে নেওয়া যায়। ভিন্ন পরীক্ষার শর্তের স্কোর সরাসরি তুলনাযোগ্য নয়।
শুধু যাচাই করা প্রকাশ্য ইনফারেন্স বাস্তবায়ন ও পরীক্ষার সঙ্গে মিলে যাওয়া ওজনের রেকর্ড দেখানো হয়; ওজন লাগে না এমন অ্যালগরিদমও অন্তর্ভুক্ত। বন্ধ সেবা, অপ্রকাশিত ওজন ও অমিল পরীক্ষামূলক সংস্করণ বাদ দেওয়া হয়। এটি সব মডেলের সামগ্রিক তালিকা নয়।
ওজন প্রকাশ করলেই পূর্ণ ওপেন সোর্স লাইসেন্স নিশ্চিত হয় না। ঘোষিত ওজনের লাইসেন্স ও প্রবেশের শর্ত দেখতে তথ্য খুলুন। অঘোষিত লাইসেন্স আলাদাভাবে চিহ্নিত থাকে।
প্রতিটি মডেলের সব মেট্রিক দেখতে ডেটাসেট বেছে নিন। সারিগুলি সরকারি র্যাঙ্ক বা নির্বাচিত মেট্রিক অনুযায়ী সাজানো হয়। প্রতি কলামের সেরা তুলনাযোগ্য মান, সমান মানসহ, গাঢ় করে দেখানো হয়। ভিন্ন মূল্যায়ন পদ্ধতির র্যাঙ্ক আলাদা থাকে; অনুপস্থিত স্কোর - দিয়ে দেখানো হয়।
| মেট্রিক র্যাঙ্ক | মডেল | MDB · Overall | ENST · Overall | MDB | ENST | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Kick↑F1% | Snare↑F1% | Toms↑F1% | Hi-Hats↑F1% | Cymbals↑F1% | Kick↑F1% | Snare↑F1% | Toms↑F1% | Hi-Hats↑F1% | Cymbals↑F1% | ||||
| 1 | ADTOFপ্রকাশ্য ওজন · ইনফারেন্স কোডপ্রকাশ্য ওজনইনফারেন্স কোড Frame_RNN_adtofAll_0.data-00000-of-00001 + .indexওজনের লাইসেন্স (রিপোজিটরির ঘোষণা): CC-BY-NC-SA-4.0 | 79.5 | 70.9 | 85.1 | 75.2 | 52 | 77.3 | 84.9 | 79.5 | 59.9 | 58.1 | 77.7 | 65.7 |
| 2 | MSG-LD OBএই সাইটে ব্যবহৃত মডেলপ্রকাশ্য ওজন · ইনফারেন্স কোড | 70.7 | 64 | 93.1 | 76 | 26.8 | 65 | 48.1 | 82.1 | 64.2 | 49.1 | 63 | 39.1 |
| 3 | MSG-LD OBTBপ্রকাশ্য ওজন · ইনফারেন্স কোড | 69 | 63.6 | - | - | - | - | - | - | - | - | - | - |
চিহ্নগুলি এখানে ব্যবহৃত মডেল বা উপাদান বোঝায়। স্কোর ও সেটিংস উদ্ধৃত পরীক্ষার; এগুলি সাইটের সম্পূর্ণ প্রক্রিয়ার নতুন মূল্যায়ন নয়।
ডেটাসেট, সংস্করণ ও শর্ত আলাদা থাকে; যোগ্য সারি না থাকা উৎসও রাখা হয়।
স্থাপনযোগ্য 2 / উৎসের সারি 2
স্থাপনযোগ্য 6 / উৎসের সারি 6
স্থাপনযোগ্য 3 / উৎসের সারি 6
এই পরীক্ষাগুলোর পূর্ণ প্রকাশ্য ইনফারেন্স প্যাকেজ যাচাই করা হয়নি। একই নামের মডেলের অন্য ওজন বিকল্প নয়।
Vogl et al. 8-class baseline · MDB · 8-class evaluation · onset only · 50 ms · Vogl et al. 8-class baseline · RBMA · 8-class evaluation · onset only · 50 ms · Vogl et al. 8-class baseline · ENST · 8-class evaluation · onset only · 50 ms
স্থাপনযোগ্য 0 / উৎসের সারি 8
এই পরীক্ষাগুলোর পূর্ণ প্রকাশ্য ইনফারেন্স প্যাকেজ যাচাই করা হয়নি। একই নামের মডেলের অন্য ওজন বিকল্প নয়।
Setting-1 · ENST · Setting-2 · ENST · Setting-3 · ENST · Setting-4 · ENST · Setting-1 · MDB · Setting-2 · MDB · Setting-3 · MDB · Setting-4 · MDB
স্থাপনযোগ্য 2 / উৎসের সারি 3
এই পরীক্ষাগুলোর পূর্ণ প্রকাশ্য ইনফারেন্স প্যাকেজ যাচাই করা হয়নি। একই নামের মডেলের অন্য ওজন বিকল্প নয়।
LarsNet
স্থাপনযোগ্য 2 / উৎসের সারি 4
এই পরীক্ষাগুলোর পূর্ণ প্রকাশ্য ইনফারেন্স প্যাকেজ যাচাই করা হয়নি। একই নামের মডেলের অন্য ওজন বিকল্প নয়।
MSG-LD Vanilla · MSG-LD TB
স্কোর নির্দিষ্ট ডেটাসেট, মেট্রিক ও মডেল সংস্করণের জন্য প্রযোজ্য; ভিন্ন পরীক্ষার ফল সরাসরি তুলনাযোগ্য নয়।
টেবিলে শুধু সেই মডেলগুলো আছে যাদের প্রকাশ্য ওজন বা কনফিগারেশন রয়েছে এবং স্থানীয়ভাবে চালানো যায়।
প্রতিটি মডেলের সব মেট্রিক দেখতে ডেটাসেট বেছে নিন। সারিগুলি সরকারি র্যাঙ্ক বা নির্বাচিত মেট্রিক অনুযায়ী সাজানো হয়। প্রতি কলামের সেরা তুলনাযোগ্য মান, সমান মানসহ, গাঢ় করে দেখানো হয়। ভিন্ন মূল্যায়ন পদ্ধতির র্যাঙ্ক আলাদা থাকে; অনুপস্থিত স্কোর - দিয়ে দেখানো হয়।
স্থাপনযোগ্য 2 / উৎসের সারি 2
ADTOF-PyTorch README · PyTorch 88.51 · Keras 88.74
| মেট্রিক র্যাঙ্ক | মডেল | Recall↑ | Precision↑ | F-measure↑ |
|---|---|---|---|---|
| 1 | ADTOF (original)প্রকাশ্য ওজন · ইনফারেন্স কোড | 88.68 | 89.90 | 88.74 |
| 2 | ADTOF-pytorchপ্রকাশ্য ওজন · ইনফারেন্স কোডsrc/adtof_pytorch/data/adtof_frame_rnn_pytorch_weights.pthইনফারেন্স কোডওজনের লাইসেন্স ঘোষণা করা হয়নি | 88.26 | 89.83 | 88.51 |
প্রতিটি মডেলের সব মেট্রিক দেখতে ডেটাসেট বেছে নিন। সারিগুলি সরকারি র্যাঙ্ক বা নির্বাচিত মেট্রিক অনুযায়ী সাজানো হয়। প্রতি কলামের সেরা তুলনাযোগ্য মান, সমান মানসহ, গাঢ় করে দেখানো হয়। ভিন্ন মূল্যায়ন পদ্ধতির র্যাঙ্ক আলাদা থাকে; অনুপস্থিত স্কোর - দিয়ে দেখানো হয়।
মানগুলো সংযুক্ত প্রকাশ্য উৎস থেকে নেওয়া হয়েছে। সারির লেবেলে পরীক্ষার ডেটাসেট বা চেকপয়েন্ট দেওয়া আছে; প্রকাশ না করা স্কোর - দিয়ে দেখানো হয়।
| মেট্রিক র্যাঙ্ক | মডেল | পরীক্ষার শর্ত | F1%↑ | নির্ভুলতা %↑ | প্রত্যাহার %↑ |
|---|---|---|---|---|---|
| 1 | ADTOF Plusপ্রকাশ্য ওজন · ইনফারেন্স কোডMDX23C 5-stemMDX23C full-mix drumsADTOF PyTorchইনফারেন্স কোড drumsep_5stems_mdx23c_jarredou.ckptওজনের লাইসেন্স (রিপোজিটরির ঘোষণা): mit | MDB · 5 classes · onset only · 50 ms | 89 | 89 | 89 |
| 2 | Original ADTOFপ্রকাশ্য ওজন · ইনফারেন্স কোড | MDB · 5 classes · onset only · 50 ms | 87 | - | - |
প্রতিটি মডেলের সব মেট্রিক দেখতে ডেটাসেট বেছে নিন। সারিগুলি সরকারি র্যাঙ্ক বা নির্বাচিত মেট্রিক অনুযায়ী সাজানো হয়। প্রতি কলামের সেরা তুলনাযোগ্য মান, সমান মানসহ, গাঢ় করে দেখানো হয়। ভিন্ন মূল্যায়ন পদ্ধতির র্যাঙ্ক আলাদা থাকে; অনুপস্থিত স্কোর - দিয়ে দেখানো হয়।
মানগুলো সংযুক্ত প্রকাশ্য উৎস থেকে নেওয়া হয়েছে। সারির লেবেলে পরীক্ষার ডেটাসেট বা চেকপয়েন্ট দেওয়া আছে; প্রকাশ না করা স্কোর - দিয়ে দেখানো হয়।
| মেট্রিক র্যাঙ্ক | মডেল | পরীক্ষার শর্ত | F1%↑ | নির্ভুলতা %↑ | প্রত্যাহার %↑ |
|---|---|---|---|---|---|
| - | ADTOF Plusপ্রকাশ্য ওজন · ইনফারেন্স কোডMDX23C 5-stemMDX23C full-mix drumsADTOF PyTorchইনফারেন্স কোড drumsep_5stems_mdx23c_jarredou.ckptওজনের লাইসেন্স (রিপোজিটরির ঘোষণা): mit | MDB · 8-class evaluation · onset only · 50 ms | 84 | 84 | 84 |
প্রতিটি মডেলের সব মেট্রিক দেখতে ডেটাসেট বেছে নিন। সারিগুলি সরকারি র্যাঙ্ক বা নির্বাচিত মেট্রিক অনুযায়ী সাজানো হয়। প্রতি কলামের সেরা তুলনাযোগ্য মান, সমান মানসহ, গাঢ় করে দেখানো হয়। ভিন্ন মূল্যায়ন পদ্ধতির র্যাঙ্ক আলাদা থাকে; অনুপস্থিত স্কোর - দিয়ে দেখানো হয়।
স্থাপনযোগ্য 2 / উৎসের সারি 3
এই পরীক্ষাগুলোর পূর্ণ প্রকাশ্য ইনফারেন্স প্যাকেজ যাচাই করা হয়নি। একই নামের মডেলের অন্য ওজন বিকল্প নয়।
LarsNet
গবেষণায় OB, TB ও OBTB আলাদাভাবে মূল্যায়িত; OB-এর স্কোর ডিফল্ট OBTB-এর নয়। নোট F1 এবং অডিও mel-MSE/FAD পৃথক সারণিতে আছে। গবেষণার শনাক্তকরণ প্রক্রিয়া এখানে পুনরায় মাপা হয়নি।
| মেট্রিক র্যাঙ্ক | মডেল | MDB · Kick | MDB · Snare | MDB · Toms | MDB · Hi-Hats | MDB · Cymbals | MDB · Overall | ENST · Kick | ENST · Snare | ENST · Toms | ENST · Hi-Hats | ENST · Cymbals | ENST · Overall | ||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | ||
| 1 | ADTOFপ্রকাশ্য ওজন · ইনফারেন্স কোড | 0.851 | 0.790 | 0.923 | 0.752 | 0.828 | 0.690 | 0.520 | 0.520 | 0.520 | 0.773 | 0.859 | 0.703 | 0.849 | 0.802 | 0.902 | 0.795 | 0.813 | 0.778 | 0.795 | 0.984 | 0.667 | 0.599 | 0.932 | 0.441 | 0.581 | 0.669 | 0.513 | 0.777 | 0.936 | 0.663 | 0.657 | 0.788 | 0.563 | 0.709 | 0.908 | 0.582 |
| 2 | MSG-LD OBপ্রকাশ্য ওজন · ইনফারেন্স কোড | 0.931 | 0.939 | 0.923 | 0.760 | 0.791 | 0.732 | 0.268 | 0.309 | 0.236 | 0.650 | 0.550 | 0.794 | 0.481 | 0.663 | 0.377 | 0.707 | 0.709 | 0.704 | 0.821 | 0.941 | 0.729 | 0.642 | 0.698 | 0.594 | 0.491 | 0.415 | 0.602 | 0.630 | 0.643 | 0.618 | 0.391 | 0.611 | 0.287 | 0.640 | 0.695 | 0.593 |
প্রতিটি মডেলের সব মেট্রিক দেখতে ডেটাসেট বেছে নিন। সারিগুলি সরকারি র্যাঙ্ক বা নির্বাচিত মেট্রিক অনুযায়ী সাজানো হয়। প্রতি কলামের সেরা তুলনাযোগ্য মান, সমান মানসহ, গাঢ় করে দেখানো হয়। ভিন্ন মূল্যায়ন পদ্ধতির র্যাঙ্ক আলাদা থাকে; অনুপস্থিত স্কোর - দিয়ে দেখানো হয়।
স্থাপনযোগ্য 2 / উৎসের সারি 4
এই পরীক্ষাগুলোর পূর্ণ প্রকাশ্য ইনফারেন্স প্যাকেজ যাচাই করা হয়নি। একই নামের মডেলের অন্য ওজন বিকল্প নয়।
MSG-LD Vanilla · MSG-LD TB
গবেষণায় OB, TB ও OBTB আলাদাভাবে মূল্যায়িত; OB-এর স্কোর ডিফল্ট OBTB-এর নয়। নোট F1 এবং অডিও mel-MSE/FAD পৃথক সারণিতে আছে। গবেষণার শনাক্তকরণ প্রক্রিয়া এখানে পুনরায় মাপা হয়নি।
| মেট্রিক র্যাঙ্ক | মডেল | MDB Overall | ENST Overall | Mean overall F1 (2 sets) | ||||||
|---|---|---|---|---|---|---|---|---|---|---|
| F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | F1↑ | P↑ | R↑ | ||
| 1 | MSG-LD OBপ্রকাশ্য ওজন · ইনফারেন্স কোড | 0.707 | 0.709 | 0.704 | 0.640 | 0.695 | 0.593 | 0.674 | 0.674 | 0.674 |
| 2 | MSG-LD OBTBপ্রকাশ্য ওজন · ইনফারেন্স কোড | 0.690 | 0.709 | 0.672 | 0.636 | 0.703 | 0.580 | 0.663 | 0.663 | 0.663 |