【技术实现步骤摘要】
一种原曲原调歌曲的侵权监测方法
[0001]本专利技术提供一种原曲原调歌曲的侵权监测方法,涉及音乐侵权监测
。
技术介绍
[0002]自
2013
年“互联网
+”时代到来以来,原本在互联网时代便已经蓬勃发展的数字音乐产业迎来了自身的又一次腾飞
。
互联网技术的进一步飞跃,及其与数字音乐领域融合的不断深入,使得数字音乐在“互联网
+”时代进入到了生机盎然的夏天
。
然而,与数字音乐全球范围内的普及相伴生的便是数字音乐版权侵权案件的井喷,而由于这种新兴类型的音乐自身的特点,无论是便于复制传播的数字音乐数据,还是愈发简单易于上手的音频剪辑软件,都使得在这个“互联网
+”时代中,数字音乐的版权保护尤为困难
。
[0003]目前,音乐侵权行为主要有以下几种:
[0004]1.
盗播
。
包括传统的音乐播放平台盗播;音视频主播盗用盗播;公众号的盗用
、
盗播;秀场
、
直播过程中盗播等
。
[0005]2.
改编
。
包括未经版权方授权的演唱;作为背景音乐糅合到其他音视频作品中等
。
[0006]3.
超出授权范围的使用
。
例如,某平台只有某歌曲的播放权限,却允许用户进行下载
、
转发;或者只获得了某歌曲一年的授权,却在超过一年后仍然没有下架该音乐
。 />[0007]而相关技术中,主要采用人工核验的鉴别的方式,鉴别某一音乐是否存在侵权行为
。
但该方式,过于依赖鉴别人员拥有较资深的音乐行业的知识储备,人工成本高昂,鉴别人员需要多次听待鉴别的音乐,并查找相关音乐库,才能获得一个较为准确地鉴别结果,使得鉴别人员的工作量非常的大,效率低,不易及时发现侵权行为,时效性差
。
为此,我们提出一种原曲原调歌曲的侵权监测方法
。
技术实现思路
[0008]为解决上述问题,本专利技术提供一种原曲原调歌曲的侵权监测方法,基于深度学习和时间序列的歌曲监测方法在原曲原调歌曲监测领域带来了许多创新点,使得监测更加精确
、
自动化和适应性强
。
[0009]本专利技术提供一种原曲原调歌曲的侵权监测方法,包括创建歌曲特征库
、
提取音频特征和匹配音频特征;
[0010]所述提取音频特征包括特征提取模型设计以及模型的优化;
[0011]所述匹配音频特征包括相似度度量和位置信息定位;
[0012]所述创建歌曲特征库是将已知的原曲原调歌曲转化为特征表示并进行存储;
[0013]所述提取音频特征是将音频信号转化为计算机可以处理和分析的数值特征,通过对提取音频特征的深度学习模型不断的优化,获得音频的最佳特征表示;
[0014]所述匹配音频特征是通过对音频特征的相似度进行计算,同时结合基于时间序列的定位方法,精确定位查询歌曲在原始歌曲中的位置信息,进而判断是否为侵权行为
。
[0015]优选的,所述特征提取模型设计通过设计处理音频数据的深度学习模型,获得音
频数据最佳的特征表示和模式
。
[0016]优选的,所述相似度度量是计算待监测歌曲与歌曲特征库中样本的相似度得分,所述相似度得分用于衡量两个音频特征之间的相似程度
。
[0017]优选的,所述相似度度量还包括进行相似度阈值的设定,相似度阈值用于判断待监测歌曲与原曲原调歌曲是否相似
。
[0018]优选的,所述位置信息定位是根据音频特征在时间维度的匹配,确定待监测歌曲在原曲原调歌曲中的位置信息,进而判断待监测歌曲和原曲原调歌曲的关系
。
[0019]优选的,还包括对假阳性和假阴性的处理,其中假阳性是误判待监测歌曲与原曲原调歌曲相似的情况,假阴性是漏判相似情况
。
[0020]优选的,还包括警报和通知系统,当检测到侵权行为时,需要触发警报或通知相关权利方,以便采取进一步的法律行动
。
[0021]本专利技术的有益效果:
[0022]一
、
端到端学习
[0023]该方法从原始音频数据直接学习,通过深度学习模型实现端到端的训练,消除了繁琐的特征工程步骤,简化了流程,加速了模型的构建和训练,相比传统方法,不需要手动设计特征,大大提高了特征的表达能力
。
[0024]二
、
时序序列匹配
[0025]时间序列分析能够捕捉音乐中的时序关系,从而更好地分析歌曲之间的相似性和差异性
。
[0026]三
、
特征学习和降维
[0027]深度学习模型可以自主学习音频数据的高维特征表示,通过多层抽象学习到更高层次的特征表示,从而实现特征的降维和压缩,提取更本质的音频信息
。
[0028]四
、
可扩展性和自适应性
[0029]由于音乐创作环境不断变化,该方法可以通过更新数据集和模型参数来扩展
、
适应新的音乐作品和侵权模式,保持高效的检测能力
。
[0030]五
、
准确度提升
[0031]该方法通常能够在大量数据上进行训练,提高了模型的准确度和泛化能力,使得检测更加精确和可靠
。
[0032]综上所述,基于深度学习和时间序列的方法通过更精确的特征表示和相似度匹配模式,提高了监测的准确性和效率,为音乐版权保护提供了强有力的工具
。
附图说明
[0033]图1为本专利技术一种原曲原调歌曲的侵权监测方法的流程图
。
具体实施方式
[0034]下面将结合附图,对本专利技术的优选实施例进行详细的描述
。
[0035]本专利技术提供一种原曲原调歌曲的侵权监测方法,包括创建歌曲特征库
、
提取音频特征和匹配音频特征;
[0036]所述提取音频特征包括特征提取模型设计以及模型的优化;
[0037]所述匹配音频特征包括相似度度量和位置信息定位;
[0038]所述创建歌曲特征库是将已知的原曲原调歌曲转化为特征表示并进行存储,歌曲特征库的质量和完整性直接影响着监测的性能;
[0039]所述提取音频特征是将音频信号转化为计算机可以处理和分析的数值特征,通过对提取音频特征的深度学习模型不断的优化,获得音频的最佳特征表示;
[0040]所述匹配音频特征是通过对音频特征的相似度进行计算,同时结合基于时间序列的定位方法,精确定位查询歌曲在原始歌曲中的位置信息,进而判断是否为侵权行为
。
[0041]进一步地,本专利技术中所述特征提取模型设计通过设计处理音频数据的深度学习模型,获得音频数据最佳的特征表示和模式,深度学习模型可以是卷积神经网络或本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种原曲原调歌曲的侵权监测方法,其特征在于:包括创建歌曲特征库
、
提取音频特征和匹配音频特征;所述提取音频特征包括特征提取模型设计以及模型的优化;所述匹配音频特征包括相似度度量和位置信息定位;所述创建歌曲特征库是将已知的原曲原调歌曲转化为特征表示并进行存储;所述提取音频特征是将音频信号转化为计算机可以处理和分析的数值特征,通过对提取音频特征的深度学习模型不断的优化,获得音频的最佳特征表示;所述匹配音频特征是通过对音频特征的相似度进行计算,同时结合基于时间序列的定位方法,精确定位查询歌曲在原始歌曲中的位置信息,进而判断是否为侵权行为
。2.
根据权利要求1所述的一种原曲原调歌曲的侵权监测方法,其特征在于:所述特征提取模型设计通过设计处理音频数据的深度学习模型,获得音频数据最佳的特征表示和模式
。3.
根据权利要求1所述的一种原曲原调歌曲的侵权监测方法,其特征在于:所述相似度度量是计算待监测歌曲与歌曲特征库...
【专利技术属性】
技术研发人员:刘杰,郑阳,林尔腾,
申请(专利权)人:北京腾瑞云文化科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。