本研究提出了一种新方法，通过卷积神经网络和图像处理技术，从声谱图图像中直接估计音高。该方法在不同信噪比条件下的检测准确率高达92%，比其他先进方法提高约5%。

本研究提出了MAJL框架，以解决音乐源分离和音高估计中的数据不足问题。通过双阶段训练和动态加权，MAJL显著提升了这两个任务的性能，超越了现有方法。