선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 하지만 음악이 다수의 무드로 구성된 경우 전역적 특징만으로는 정확한 검색이 어렵다. 따라서, 본 논문에서는 다양한 음악 특징을 기반으로 무드의 변화를 감지하고 이러한 변화 패턴으로 유사한 음악을 검색하는 기법을 제안한다. 우선 음악 특징에 따라 음악을 여러 개의 세그먼트로 분할하고, 유사한 특징을 갖는 세그먼트들을 같은 그룹으로 분류한다.
- 본 논문에서 제안하는 유사 음악 검색 기법의 효율성을 평가하기 위하여 다양한 실험을 수행하였다. 이 장에서는 자세한 실험 내용 및 결과를 기술한다.
- 본 논문에서는 음악 무드의 변화를 기반으로 하는 새로운 음악 검색 기법을 제안하였다. 우선 무드의 변화별로 세그먼트를 분할하고, 각 세그먼트에 대하여 여섯 가지의 음악 특징을 추출한 뒤 K-means 군집화 알고리즘을 적용하여 세그멘트를 분류하였다.
- 본 실험에서는 원곡과 리메이크 곡의 쌍으로 구성된 음악에 대하여 제안된 검색 기법의 성능을 평가한다. 보통 원곡과 리메이크 곡은 서로 매우 흡사한 음악의 특징을 갖고 대부분 동일한 무드 변화의 특징을 나타낸다[17].
- 이 실험에서는 음악의 무드별 분할 없이 특징을 추출하는 전역 음악 특징 추출 방식의 효율성을 평가한다. 우선 전체의 음악에 대하여 전역 음악 특징을 추출하고, K-means 군집화 알고리즘을 통하여 음악을 분류하였다.
제안 방법
- (5) Mel-Frequency Cepstral Coefficients(MFCC)는 인간의 청각에 전달되는 주파수의 관점으로 모델링된 mel-frequency를 기준으로 신호를 고려하는 방법이다. MFCC 계산의 결과로서 13가지의 계수를 얻을 수 있는 데, 본 논문에서는 음악의 특징 표현에 6번째부터 13번째까지의 계수를 사용하여 보다 효과적인 음색 특징 추출이 되도록 한다. [15]에서는 MFCC를 계산하는 자세한 과정이 나와 있다
- 음악을 즐겨듣는 대학생으로 이루어진 20명의 피험자들을 대상으로 무작위로 선택된 각각 다른 10 곡의 대중적인 가요 음악을 들려주었다. 각 곡에 대해 제안하는 방식과 전역적 음악 특징 추출 방식에 따라 유사도가 가장 높은 음악을 제시하였을 때의 만족도를 0에서 100사이의 점수로 입력하도록 진행하였다. 여기서 만족도란 실험에서 두 곡의 음악 간의 유사도에 대한 피험자의 정량적 평가를 의미한다.
- 우선 무드의 변화별로 세그먼트를 분할하고, 각 세그먼트에 대하여 여섯 가지의 음악 특징을 추출한 뒤 K-means 군집화 알고리즘을 적용하여 세그멘트를 분류하였다. 각각의 군집 즉 클래스에 대하여 독립적인 심볼을 부여함으로써 각 음악을 심볼의 시퀀스로 표현하였다. 질의 음악 무드 시퀀스와 데이터베이스에 저장된 무드 시퀀스의 유사도를 측정하기 위하여 LCS 알고리즘을 사용하였다.
- 음악 무드 시퀀스를 보다 효율적으로 다루기 위하여 하나의 음악을 문자열로 이루어진 시퀀스로 변환하는 과정이 필요하다. 본 논문에서는 앞서 분류된 각 클래스에 독립적인 문자를 심볼로 부여하여 각 음악을 구성 세그멘트에 해당되는 심볼의 스퀀스로 변환하였다. 예를 들어 C1부터 CN까지 N개의 클래스로 이루어진 음악 데이터가 존재하고, m1부터 m4 까지 4개의 세그먼트로 구성되어있는 음악 m이 존재한다고 가정하자.
- 음악 무드의 세그먼트들을 비슷한 특징을 가지는 집단들로 분할하기 위해서 다양한 음악 특징들을 추출한다. 본 논문에서는 이러한 목적으로 템포, 조성, 멜로디, 시끄러움의 정도, 하모니와 같은 음악 특징과 spectral centroid, spectral rolloff, spectral flux, time domain zero crossing, mel-frequency cepstral coefficient와 같은 음색 특징을 고려하였다 [14].
- 본 장에서는 먼저, 음악 무드 기반의 음악 검색과 관련된 기존 연구에 대하여 서술하고 시퀀스 유사도 측정을 위한 longest common sequence 알고리즘에 대하여 소개한다.
- 본 장에서는 음악 무드 시퀀스 기반의 음악 검색기법을 제안한다. 검색을 위한 전체 데이터베이스 구축 절차는 그림 1의 (a)와 같다.
- 이러한 결과를 설명하기 위해서 다음 실험에서는 전역적인 음악 특징 추출의 경우 부분별 특징의 희석위험성을 보이고, LCS 알고리즘을 이용한 세그먼트 기반 음악 특징 추출이 보다 적합함을 보인다. 세번째 실험에서는 제안된 기법의 유효성을 확인하기 위해 원곡과 리메이크 곡으로 이루어진 두 음악 사이의 유사도를 측정하였다. 마지막으로 사용자의 평가를 통해 이전 방식보다 제안된 방식이 유사 음악검색에 효과적임을 보인다.
- 본 논문에서는 음악 무드의 변화를 기반으로 하는 새로운 음악 검색 기법을 제안하였다. 우선 무드의 변화별로 세그먼트를 분할하고, 각 세그먼트에 대하여 여섯 가지의 음악 특징을 추출한 뒤 K-means 군집화 알고리즘을 적용하여 세그멘트를 분류하였다. 각각의 군집 즉 클래스에 대하여 독립적인 심볼을 부여함으로써 각 음악을 심볼의 시퀀스로 표현하였다.
- 따라서, 본 논문에서는 다양한 음악 특징을 기반으로 무드의 변화를 감지하고 이러한 변화 패턴으로 유사한 음악을 검색하는 기법을 제안한다. 우선 음악 특징에 따라 음악을 여러 개의 세그먼트로 분할하고, 유사한 특징을 갖는 세그먼트들을 같은 그룹으로 분류한다. 분류된 각 그룹마다 유일한 심볼을 정의하면 각 음악은 이러한 심볼의 시퀀스로 표현이 가능하다.
- 이 실험에서는 음악의 무드별 분할 없이 특징을 추출하는 전역 음악 특징 추출 방식의 효율성을 평가한다. 우선 전체의 음악에 대하여 전역 음악 특징을 추출하고, K-means 군집화 알고리즘을 통하여 음악을 분류하였다. 전역 특징 추출을 통해 같은 군집으로 분류된 음악들을 대상으로 무드 세그먼트로 분할한 뒤, 특징 추출 및 분류를 통하여 각각의 무드 시퀀스를 생성하였다.
- 음악 무드 변화의 경계를 찾기 위해 프레임 단위 신호의 특성을 나타내는 intensity의 변화를 이용한다. intensity는 소리 신호 윈도우의 표준편차를 계산함으로써 도출할 수 있다.
- 실제로 인간의 지각 관점에서 우리는 시끄러움의 정도, 템포 및 조성과 같은 음악의 특징을 통해 음악과 음악 무드를 구분할 수 있다. 이를 기반으로 본 연구에서는 음악의 검색과 분류를 위해 음악의 특징을 고려한다. 클래식과 같은 장르에서는 하나의 음악에 뚜렷하게 구분되는 두 가지 이상의 음악 무드가 나타난다.
- 우선 전체의 음악에 대하여 전역 음악 특징을 추출하고, K-means 군집화 알고리즘을 통하여 음악을 분류하였다. 전역 특징 추출을 통해 같은 군집으로 분류된 음악들을 대상으로 무드 세그먼트로 분할한 뒤, 특징 추출 및 분류를 통하여 각각의 무드 시퀀스를 생성하였다. 최종적으로 같은 군집상의 음악에 대해 LCS 알고리즘을 사용하여 유사도를 측정한다.
- 제안된 검색 방식에 따라 나누어진 각 음악 세그먼트들을 대상으로 다양한 음악 특징을 추출하였다. 그림 3은 각 무드 세그먼트별 음악 특징의 변화를 나타낸다.
- 전역 특징 추출을 통해 같은 군집으로 분류된 음악들을 대상으로 무드 세그먼트로 분할한 뒤, 특징 추출 및 분류를 통하여 각각의 무드 시퀀스를 생성하였다. 최종적으로 같은 군집상의 음악에 대해 LCS 알고리즘을 사용하여 유사도를 측정한다. 전역 음악 특징으로 분류된 군집에서 가능한 모든 쌍을 대상으로 유사도를 측정한 뒤 그 평균을 구하면 그림 6과 같다.
- 특히, [8]에서는 무드 인식에 있어서 음악에서 나타나는 하나 이상의 무드 변화에 기반한 접근을 시도하였다. 하나의 음악을 무드 변화에 따라 몇 가지의 독립적인 무드를 갖는 세그먼트로 나누는 작업을 자동화하여 수행하였다
대상 데이터
- 본 논문에서는 팝송 및 국내가요로 구성된 180개의 음악 데이터를 사용한다. 또한 모든 음악 데이터는 하나 이상의 뚜렷한 음악 무드의 차이를 보이는 음악들을 대상으로 수집하였다.
- 본 논문에서는 두 가지 이상의 무드를 갖는 음악을 대상으로 데이터 셋을 구성한다. 음악의 무드의 경계를 찾는 작업을 자동화하기 위하여 [8]에서 제안된 무드 경계 탐색 기법을 적용하였다.
- 본 논문에서는 팝송 및 국내가요로 구성된 180개의 음악 데이터를 사용한다. 또한 모든 음악 데이터는 하나 이상의 뚜렷한 음악 무드의 차이를 보이는 음악들을 대상으로 수집하였다.
- K-means 알고리즘은 빠르고, 가벼우며 효율적이기 때문에, 본 논문에서는 수많은 무드 세그먼트의 분류를 위해 K-means 알고리즘을 사용하였다. 분류를 위하여 우선 900여개에 달하는 무드 세그먼트들을 대상으로 다양한 특징을 추출하였다. 실험적으로 효과적인 K값을 설정하고 K-means 군집화 알고리즘을 적용하였다.
- 본 장에서는 유사 음악 검색 결과에 따른 사용자 만족도 평가 실험에 대하여 기술한다. 음악을 즐겨듣는 대학생으로 이루어진 20명의 피험자들을 대상으로 무작위로 선택된 각각 다른 10 곡의 대중적인 가요 음악을 들려주었다. 각 곡에 대해 제안하는 방식과 전역적 음악 특징 추출 방식에 따라 유사도가 가장 높은 음악을 제시하였을 때의 만족도를 0에서 100사이의 점수로 입력하도록 진행하였다.
이론/모형
- K-means 알고리즘은 데이터 군집화 알고리즘으로서 데이터 분류 및 컴퓨터 영상 처리 분야에서 다양하게 사용되고 있다. K-means 알고리즘은 빠르고, 가벼우며 효율적이기 때문에, 본 논문에서는 수많은 무드 세그먼트의 분류를 위해 K-means 알고리즘을 사용하였다. 분류를 위하여 우선 900여개에 달하는 무드 세그먼트들을 대상으로 다양한 특징을 추출하였다.
- 두 시퀀스 사이의 유사도를 측정하기 위하여 본 논문에서는 [16]에서 제안된 비디오 시퀀스의 LCS 유사도 측정 방법을 사용하였으며 그 수식은 다음과 같다.
- LCS는 DNA 유사도 측정과 영상 시퀀스 측정 및 웹 브라우징 패턴인식 등 다양한 분야에서 널리 사용되고 있다. 또한 음악은 시간순의 특징 벡터를 갖기 때문에 관련 연구에서는 음악 무드 시퀀스의 유사도 측정에 LCS 알고리즘을 사용할 수 있다.
- 분류를 위하여 우선 900여개에 달하는 무드 세그먼트들을 대상으로 다양한 특징을 추출하였다. 실험적으로 효과적인 K값을 설정하고 K-means 군집화 알고리즘을 적용하였다. 무드의 세그먼트는 특징 정보에 따라 다섯 개의 개별 그룹으로 군집화 되었다.
- 본 논문에서는 두 가지 이상의 무드를 갖는 음악을 대상으로 데이터 셋을 구성한다. 음악의 무드의 경계를 찾는 작업을 자동화하기 위하여 [8]에서 제안된 무드 경계 탐색 기법을 적용하였다.
- 각각의 군집 즉 클래스에 대하여 독립적인 심볼을 부여함으로써 각 음악을 심볼의 시퀀스로 표현하였다. 질의 음악 무드 시퀀스와 데이터베이스에 저장된 무드 시퀀스의 유사도를 측정하기 위하여 LCS 알고리즘을 사용하였다. 실험에서는 기존의 무드 세그먼트 분할 과정이 없는 전역적 음악 특징 추출 방식과 제안하는 방식의 검색 정확도 및 만족도 분석을 통하여 음악 무드별 분할의 우수성을 확인하였다.
성능/효과
- 그림에서 음악 무드별 세그먼트 분할 없이 추출된 전역 음악 특징을 'x'로 표시하였고, 세그먼트로 분할된 음악 특징의 변화는 '●'로 표시하고 있다. 결과적으로 여러 번의 음악 무드 변화를 가지는 음악에 대해 전역적 음악 특징을 사용할 경우 각 무드의 특징이 희석되어 사라질 수 있는 위험성을 보여준다.
- 우리는 이전 연구에서 음악의 시끄러움 정도, 하모니, 템포, 조성 등의 음악 특징과 음악 무드 사이에 서로 밀접한 관계가 있음을 보였다 [1]. 또한 이러한 결과를 바탕으로 음악 추천과 검색에 있어서 음악의 특징을 통해 음악 무드를 예측할 수 있음을 증명하였다.
- 세번째 실험에서는 제안된 기법의 유효성을 확인하기 위해 원곡과 리메이크 곡으로 이루어진 두 음악 사이의 유사도를 측정하였다. 마지막으로 사용자의 평가를 통해 이전 방식보다 제안된 방식이 유사 음악검색에 효과적임을 보인다.
- 전역 음악 특징으로 분류된 군집에서 가능한 모든 쌍을 대상으로 유사도를 측정한 뒤 그 평균을 구하면 그림 6과 같다. 실험 결과에 따르면 군집 1이 가장 높은 유사도 평균값인 78.6%을 나타내고 군집 3이 가장 낮은 유사도 평균값인 62.3%을 나타내고 있다. 군집들의 유사도 평균값의 전체 평균은 71.
- 질의 음악 무드 시퀀스와 데이터베이스에 저장된 무드 시퀀스의 유사도를 측정하기 위하여 LCS 알고리즘을 사용하였다. 실험에서는 기존의 무드 세그먼트 분할 과정이 없는 전역적 음악 특징 추출 방식과 제안하는 방식의 검색 정확도 및 만족도 분석을 통하여 음악 무드별 분할의 우수성을 확인하였다.
- 첫 번째 실험에서는 전역적인 음악 특징보다는 본 논문에서 제안하는 무드 변화 패턴을 이용하는 것이 보다 정확한 검색 결과를 얻을 수 있음을 보인다. 이러한 결과를 설명하기 위해서 다음 실험에서는 전역적인 음악 특징 추출의 경우 부분별 특징의 희석위험성을 보이고, LCS 알고리즘을 이용한 세그먼트 기반 음악 특징 추출이 보다 적합함을 보인다. 세번째 실험에서는 제안된 기법의 유효성을 확인하기 위해 원곡과 리메이크 곡으로 이루어진 두 음악 사이의 유사도를 측정하였다.
- 그림 8은 180여개의 음악 중 60개의 만족도 조사 결과를 나타낸다. 전체 180여개의 음악의 만족도 평균 점수는 기존 방식이 65.07, 제안하는 방식이 82.57로 제안하는 방식에 의한 결과에 더 높은 만족도를 보였다.
- 첫 번째 실험에서는 전역적인 음악 특징보다는 본 논문에서 제안하는 무드 변화 패턴을 이용하는 것이 보다 정확한 검색 결과를 얻을 수 있음을 보인다. 이러한 결과를 설명하기 위해서 다음 실험에서는 전역적인 음악 특징 추출의 경우 부분별 특징의 희석위험성을 보이고, LCS 알고리즘을 이용한 세그먼트 기반 음악 특징 추출이 보다 적합함을 보인다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.