chopin-comp-midi

该数据集包含2015年第18届国际肖邦钢琴比赛（华沙）初赛阶段130位参赛者的钢琴MIDI转录，用于成对排名评估。每位参赛者提交了约30分钟的演奏，音频来自肖邦研究所官方YouTube频道，并通过钢琴转录模型转换为MIDI格式。数据集任务定义为：给定两段演奏，预测哪位参赛者在比赛中晋级更远，这是一个成对排名问题（机会准确率为0.50）。数据集包含130个MIDI文件（每位参赛者一个），以及训练/验证/测试集的划分和每位参赛者的元数据。元数据包括参赛者姓名、国家代码、比赛标签（0-4分）、是否通过初赛、YouTube视频ID、标题、URL以及音频到MIDI的对齐置信度分数。数据集分为90个训练样本、20个验证样本和20个测试样本（按轮次分数分层，种子为42）。数据集适用于音频分类任务，特别是音乐、钢琴、MIDI和排名相关的研究。数据集发布在CC BY 4.0许可下，使用时需引用比赛。

原始信息汇总

Chopin Piano Competition 2015 – Preliminary Round MIDI 数据集概述

数据集基本信息

• 数据集名称：Chopin Piano Competition 2015 – Preliminary Round MIDI
• 发布者/存储库：anusfoil/chopin-comp-midi
• 许可证：CC BY 4.0
• 任务类别：音频分类
• 主要标签：音乐、钢琴、MIDI、比赛、排名、肖邦
• 语言：英语
• 数据规模：小于1K样本
• 官方描述：第18届国际肖邦钢琴比赛（华沙，2015年）初赛阶段所有130位参赛者的钢琴MIDI转录，附带用于成对排名评估的比赛标签。

数据集内容与结构

• 核心数据：包含130个MIDI文件，每位参赛者一个文件，位于 data/{performer_slug}/{title}.mid。
• 元数据文件：
  • metadata/splits.csv：包含训练/验证/测试集划分、MIDI文件相对路径以及比赛轮次得分标签（0-4）。
  • metadata/metadata_raw.csv：包含每位参赛者的详细信息，如姓名、国家、轮次得分、是否通过初赛、来源YouTube视频信息及对齐置信度分数。
• 数据划分：90个训练样本，20个验证样本，20个测试样本（按轮次得分分层划分，种子为42）。

任务定义

• 主要任务：给定两个表演（MIDI），预测哪位参赛者在比赛中晋级得更远。
• 任务类型：成对排序问题（二元分类）。
• 随机准确率：0.50。

标签说明

• 轮次得分（label）：0-4的整数。
  • 0：未通过初赛。
  • 1-4：通过了初赛；数值越高，代表在比赛中晋级得越远。

来源与制作

• 音频来源：肖邦研究所官方YouTube频道（CC BY许可）。
• MIDI生成：使用钢琴转录模型从音频自动转录为MIDI。
• 比赛结果：来源于 https://chopincompetition.pl 公开信息。

使用方式

• 通过EVPMR库加载： python from evpmr import ChopinCompTask task = ChopinCompTask() split = task.load_split(hf_download=True)

• 通过Hugging Face Hub手动下载： python from huggingface_hub import snapshot_download path = snapshot_download("anusfoil/chopin-comp-midi", repo_type="dataset")

基准测试结果（EVPMR）

使用冻结的Aria-medium编码器（每窗口约10-15秒）进行评估：

• 线性探针（基于拼接嵌入的二元逻辑回归）：成对准确率 0.562，反对称性 1.000。
• 注意力探针（交叉注意力，I-JEPA风格）：成对准确率 0.689，反对称性 0.992。
• 完美排序器的反对称性得分：1.0。

相关资源

• 配套基准：EVPMR（钢琴MIDI表示评估），代码库位于 https://github.com/anusfoil/eval-piano-midi-repr。
• 使用的编码器：Aria-medium（https://huggingface.co/loubb/aria-medium-embedding）。
• 官方比赛页面：https://chopincompetition.pl/en/。
• 音频来源频道：https://www.youtube.com/@ChopinInstitute。
• 许可证链接：https://creativecommons.org/licenses/by/4.0/。

搜集汇总

数据集介绍

构建方式

在音乐信息检索领域，肖邦国际钢琴比赛作为权威赛事，为研究提供了珍贵的表演数据。本数据集基于第十八届肖邦国际钢琴比赛（2015年）预赛阶段的130位参赛者表演构建，首先从肖邦研究所官方YouTube频道获取音频源，随后采用自动化钢琴转录模型将音频转换为MIDI格式。数据组织以每位演奏者为单位，包含约30分钟的独奏录音转录结果，并辅以详细的元数据标注，如比赛轮次得分与晋级状态，确保了数据来源的可靠性与结构化特征。

特点

该数据集的核心特点在于其专注于钢琴表演的成对排序任务，为音乐表现力评估提供了新颖的基准。数据集包含130个MIDI文件，每个文件对应一位参赛者的完整表演，并标注了从0到4的竞赛标签，其中较高分数代表在比赛中晋级更远。数据划分经过分层抽样，包含90个训练样本、20个验证样本与20个测试样本，确保了评估的统计稳健性。此外，元数据中提供了音频对齐置信度得分与原始视频信息，增强了数据的可追溯性与多模态研究潜力。

使用方法

为促进音乐表示学习的研究，数据集设计为与EVPMR基准配套使用，支持自动化下载与任务加载。用户可通过Python接口调用`ChopinCompTask`类直接加载数据划分，或使用Hugging Face Hub手动下载原始MIDI文件与元数据。典型应用场景涉及训练模型预测两位演奏者的比赛排名，即基于MIDI序列嵌入进行成对分类，基线研究已展示线性探针与注意力机制在此任务上的有效性，为后续探索钢琴表演的细微差异提供了可复现的框架。

背景与挑战

背景概述

在音乐信息检索领域，对钢琴演奏表现进行客观评估一直是一项复杂且富有挑战性的任务。Chopin Piano Competition 2015 – Preliminary Round MIDI数据集由相关研究团队于近年构建，旨在为钢琴演奏的自动排名提供结构化数据支持。该数据集的核心研究问题聚焦于如何通过机器学习模型，基于MIDI转录数据预测钢琴家在肖邦国际钢琴比赛中的晋级表现，即解决演奏表现的成对排序问题。其创建为音乐表现力计算分析、自动评分系统开发等研究方向提供了宝贵的基准资源，推动了音乐与人工智能交叉领域的实证研究进展。

当前挑战

该数据集旨在解决的领域挑战在于音乐表演评估的主观性与复杂性。具体而言，如何从钢琴演奏的MIDI数据中自动提取能够有效区分演奏者艺术水准与比赛排名的特征，并构建稳健的排序模型，这是一个尚未完全解决的难题，涉及对音乐表现力、技术精度等多维度信息的量化。在数据构建过程中，挑战主要源于数据获取与处理的复杂性：原始音频来源于公开视频，需通过自动钢琴转录模型转换为MIDI格式，此过程可能引入转录误差；同时，数据标注完全依赖于公开的比赛结果，其本身是离散的序数标签，且样本量有限，这为模型训练与泛化带来了固有困难。

常用场景

经典使用场景

在音乐信息检索领域，该数据集为钢琴演奏的成对排序评估提供了标准化的基准。研究者利用这些MIDI转录数据，构建模型以预测两位表演者在肖邦国际钢琴比赛中的晋级情况。通过对比不同演奏者的音乐表现，模型学习捕捉细微的演奏差异，从而实现对演奏质量的自动化排名。这一场景不仅推动了音乐表现力计算分析的发展，也为音乐比赛评审的客观性提供了数据支持。

解决学术问题

该数据集有效解决了音乐表现力量化评估中的关键难题，即如何从音频或符号化音乐数据中自动识别演奏质量差异。通过提供带有明确比赛晋级标签的成对样本，它支持了音乐信息检索中排序学习任务的研究，促进了基于深度学习的音乐表征方法的发展。其意义在于为音乐表演分析建立了可重复的评估框架，推动了计算音乐学与人工智能的交叉融合，为客观评价艺术表现提供了科学依据。

衍生相关工作

围绕该数据集衍生的经典工作包括EVPMR基准测试，它系统评估了不同钢琴MIDI表征方法的排序性能。研究如Aria-medium等冻结编码器的应用，探索了窗口化编码策略在音乐片段分析中的有效性。后续工作进一步探究了交叉注意力机制等先进模型架构，提升了成对排序的准确性与一致性。这些研究共同深化了对音乐语义表征的理解，并为音乐人工智能的模型设计提供了重要参考。