$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

음악 장르 분류를 위한 새로운 자동 Taxonomy 구축 알고리즘
New Automatic Taxonomy Generation Algorithm for the Audio Genre Classification 원문보기

한국음향학회지= The journal of the acoustical society of Korea, v.27 no.3, 2008년, pp.111 - 118  

최택성 (연세대학교 전기전자공학과) ,  문선국 (연세대학교 전기전자공학과) ,  박영철 (연세대학교 컴퓨터정보통신공학부) ,  윤대희 (연세대학교 전기전자공학과) ,  이석필 (전자부품연구원(KETI) 디지털미디어 연구센터)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 음악 장르 분류를 위한 새로운 자동 Taxonomy 구축 알고리즘을 제안한다. 제안된 알고리즘은 모든 가능한 노드들의 분류 확률을 예측하여 예측된 분류 성능값이 가장 좋은 조합을 Taxonomy로 구축하는 것이다. 제안된 알고리즘에서의 분류 확률 예측은 훈련 데이터를 k-fold cross validation을 이용하여 분류기에 적용함으로써 이루어진다. 제안된 알고리즘을 기반으로 한 분류 성능 측정은 2 클래스로 이루어진 각각의 노드에 2개 범주 분류에 효과적인 support vector machine을 적용함으로써 이루어진다. 제안된 알고리즘의 성능 검증을 위해 음색, 리듬, 피치 등 오디오 신호의 특징을 나타내는 다양한 파라미터를 오디오 신호로부터 추출하여 제안된 알고리즘과 기존의 다중 범주 분류기들을 이용하여 분류성능을 평가하였다. 다양한 실험결과 제안된 알고리즘은 기존의 알고리즘에 비하여 5%에서 25%정도의 분류 성능이 향상된 것을 확인할 수 있었고 특히 낮은 차원의 특징벡터를 이용한 분류 실험에서는 10% 에서 25% 향상된 좋은 성능을 보였다.

Abstract AI-Helper 아이콘AI-Helper

In this paper, we propose a new automatic taxonomy generation algorithm for the audio genre classification. The proposed algorithm automatically generates hierarchical taxonomy based on the estimated classification accuracy at all possible nodes. The estimation of classification accuracy in the prop...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 계층적인 오디오 장르에 따른 오디오신호의 자동 분류 시스템을 제안하였다. 제안된 알고리즘은 모든 가능한 노드들의 분류 확률을 예측하여 예측된분류 성능값이 가장 좋은 조합을 Taxonomy로 구축하는것이다.
  • 본 논문에서는 오디오 장르의 계층구조를 만들 때 모든 가능한 장르 쌍들의 분류 확률 예측을 기반으로 자동으로 구축하는 알고리즘을 제안하고 이를 분석한다.
  • 본 논문에서는 이러한 단점들을 극복하기 위하여 새로운 taxonomy 구축방법을 제안하였다 제안된 알고리즘은 오디오 장르의 계층구조를 만들 때 모든 가능한 장르쌍들의 분류 확률 예측을 기반으로 자동으로 구축하여 자동분류 시스템의 분류 성능을 높인다. 분류 확률 예측을 위해 모든 가능한 클러스터 쌍들을 나누어 놓고 wrapper algorithm [1 이을 이용하여 각각의 클러스터 쌍들을 가장잘 분리할 수 있는 특징벡터를 추출한다.
  • 본 연구의 목표는 주어진 특징 벡터들을 사용하여 최상의 분류 성능을 가지는 taxonomy를 자동으로 구축하는것이다. 핵심적인 아이디어는 분류 성능을 예측하여 장르들간의 관계를 추론하는 것이다.
본문요약 정보가 도움이 되었나요?

참고문헌 (20)

  1. L. Lu and H. Zhang, "Content analysis for audio classification and segmentation," IEEE Trans. on Speech and Audio Process., 10(5), 504-516, Sep. 2002 

  2. G. Tzanetakis and P. Cook, "Musical Genre Classification of audio signals", IEEE Trans. on Speech and Audio Process., 10(4), 293-302, July 2002 

  3. C. Yang, Database retrieval based on spectral similarity, (Stanford Univ. Database Group, Stanford, CA, Tech, Rep. 2001-14, 2001) 

  4. Tao Li and Mitsunori Ogihara, "Music genre classification with taxonomy," Proc. Int. Conf. Acoustics, Speech, Signal Processing (ICASSP), 197-200, 2005 

  5. Juan Jose Burred and Alexander Lerch, "A hierarchical approach to automatic musical genre classification," Proc. of the 6th Int. Conference on Digital Audio Effects (DAFX-03), London, UK, Sept. 8-11, 2003 

  6. E. Scheirer and M. Slaney, "Construction and evaluation of a robust multifeature speech/music discriminator," Proc. Int. Conf. Acoustics, Speech, Signal Processing (ICASSP), 1331-1334, 1997 

  7. Beth Logan, "Mel Frequency Cepstral Coefficients for music modeling," in Proc. of the First International Symposium on Music Information Retrieval (ISMIR), 2000 

  8. S.Essid, G.Richard, and B.David, "Instrument Recognition in Polyphonic Music Based on Automatic taxonomies," IEEE Trans. Audio, Speech, and Lang. Process., 14(1), 68-80, Jan. 2006 

  9. G. Peeters, "A large set of audio fetures for sound description (similarity and classification) in the CUIDADO project," CUIDADO I.S.T. Project Report, 2004 

  10. D.-N. Jiang, L. Lu, H.-J. Zhang, J.-H. Tao, and L.-H. Cai, "Music type classification by spectral contrast feature,"Proc. of IEEE Int. Conf. on Multimedia and Expo (ICME02), Lausanne Switzerland, Aug, 2002 

  11. S. Essid, G. Richard and B. David, "Musical instrument recognition based on class pairwise feature selection," Proc. 5th Int. Conf. Music Information Retrieval (ISMIR), Barcelona, Spain, Oct. 2004 

  12. T. Tolenen and M. Karjalainen, "A computationally efficient multipitch analysis model," IEEE Trans. Speech, Audio Process, 8(6), 708-716, Nov. 2000 

  13. F. Pachet and D. Cazaly,"A taxonomy of musical genres," Proc. Content-based Multimedia Information Access (RIAO), Paris, France, 2000 

  14. P. A. Devijver and J. Kitter, Pattern Recognition: A statistical approach. (New York, Prentice-Hall, 1982) 

  15. J.-J. Aucouturier and F. Pachet, "Representing music genre: A state of the Art," J. of New Music Research, 32(1), 83-93, 2003 

  16. Huan Liu and Lei Yu, "Toward integrating feature selection algorithmsfor classification and clustering," IEEE Trans. on Knowledge and Data Eng., 17(4), April 2005 

  17. http://ismir2004.ismir.net/genre_contest/index.htm 

  18. V. Vapnik,"The nature of statistical learning theory,"New York; Springer-Verlag, 1995 

  19. D. A. Reynolds and R. C. Rose, "Robust test-independent speaker identification using Gaussian mixture speaker models," IEEE Trans. Speech, Audio Process., 3(1), 47-60, Nov. 1996 

  20. S-Y. Kung and J-N. Hwang, "Neural networks for intelligent multimedia processing," Proceedingsof the IEEE, 86(6), 1244-1272, June 1998 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로