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
- 따라서 음악의 시작점을 검출하여 두 음악 데이터 간의 시작 시간을 동일하게 맞출 필요가 있다. 본 논문에서는 이러한 이유로 실제소리를 찾기 위해 최소파형모형 이론을 적용하고 음악 시작점을 검출하는 방법을 제안하였다. 음악은 녹음 환경의 기계적인 문제나 전기 신호의 간섭 또는 다른 신호의 간섭, 아날로그 신호의 디지털화 등 다양한 경로를 통해 노이즈가 발생할 수 있다.
- 이와 다르게 시간 순차적 검색 방법은 시간의 순서로 단순 비교만을 수행하기 때문에 빠른 검색 속도를 갖는 장점이 있는 반면, 입력되는 데이터의 시작 시간의 오차가 있는 경우에 인식률이 떨어지는 단점이 있다. 본 논문에서는 입력되는 음악의 시작점을 정확하게 검출하는 알고리즘을 제안함으로써 시간 순차적 검색 방법을 적용하여 고속검색을 수행하면서도 인식률이 떨어지지 않게 하였다.
- 본 논문에서는 이러한 시작 시간의 오차를 검색의 전 단계에서 해결하고자 음악의 시작점을 검출하여 시작 시간을 일관성 있게 하였다. 음악의 시작점을 검출하기 위하여 최소파형 모형을 프레임 단위로 검사하였고, 묵음 영역에 존재하는 노이즈는 스킵핑 하여 노이즈에 강인한 시작점을 검출 하였다.
제안 방법
- 논문〔2〕에서는 신호처리 도메인에서 타임 와핑 아래 효율적인 유사 검색 방법을 제안하였다. 신호의 유형은 유사하지만 시간 도메인이 다르면 유클리드 또는 도시-블록 알고리즘을 이용한 거리 계산 값이 전혀 다른 신호로 인식하게 되므로 시계열 데이터 값에 이동을 적용하였다. 그러나 이동을 통한 유사도 측정 방식은 데이터베이스의 빈번한 접근과 계산 비용이 높다는 문제가 있으므로 FastMap 기반의 인덱스 구조 설계 기술을 사용하였다.
- 복제된 음성 신호는 시간 축으로 다양하게 이동 될 수 있고 압축과 확대 될 수 있다. 이에 CPM(Continuous Profile Model)을 적용한 시간 정렬 방법을 제안하였고 복제된 시계열들을 동시에 분석할 수 있도록 하였다.
- 하지만 음악의 시작점을 검출하기 이전에 음악의 시작 부분에 노이즈가 존재하면 노이즈를 시작점으로 검출하게 되는 문제가 발생한다. 따라서 최소파형모형 검사를 수행한 후 바로 시작점을 검출하지 않고 후보군으로 남겨둔 후 노이즈 스킵핑을 적용한 다음에 시작점을 검출한다. 이러한 과정은 노이즈에 강인한 음악의 시작점 위치를 결과로 얻는다.
- 따라서 노이즈의 영향을 받지 않고 스킵핑 할 수 있어야 한다. 노이즈에 강인한 음악 시작점을 검출하기 위하여 노이즈 파형이 가지는 특징을 구분 짓고, 측정 대상이 되는 최소파형 모형과 후보군 프레임이 노이즈의 특징을 보인다면 스킵핑 한다. 묵음 영역 노이즈는 실험에서 사용된 디지털 음악들을 통해 노이즈의 특징을 분류하였고, 그림 4와 같이 4가지 형태의 유형으로 구분된다.
- 노이즈 A가 이에 해당 되며, 프레임 내부 최소파형 모형을 검사하면서 반주기 파형을 구성하는 샘플이 노이즈인지 판단하고 스킵핑 한다. 두 번째는 프레임 외부 스킵핑으로 최소파형모형 검사를 수행한 후 시작점 후보군이 도출되었을 때 수행한다. 노이즈 B, C, D가 이에 해당되며 시작점 후보군 프레임들을 대상으로 노이즈 프레임인지 판단하여스킵핑을 한다.
- 스킵핑을 함께 적용한다. 최소파형모형 검사를 통해 실제 소리를 갖는 시작점 후보군 프레임을 도출하고 프레임 내부와 외부 노이즈 스킵핑을 적용하여 노이즈에 강인한 시작점을 검출한다. 그림 5는 시작점 후보군 프레임을 도출하는 순서도이며, 그림 6은 프레임 외부 노이즈 스킵핑을 적용하여 노이즈에 강인한 시작점을 검출하는 순서도이다.
- 디지털 음악을 입력데이터로 하고 5ms를 한 프레임 단위로 이동하면서 최소파형모형 검사를 한다. 최소파형모형 검사는 최소파형 모형 검사와 프레임 내부 노이즈 스킵핑을 적용하여 검사한다.
- 시작점을 검출하는 과정은 다음과 같다. 시작점 후보군 프레임에 외부 노이즈 B, C, D 스킵핑을 순서대로 적용하여 시작점을 검출한다. 프레임 외부 노이즈 스킵핑을 위하여 시작점 후보군 프레임의 구조가 이용된다.
- 프레임 외부 노이즈 스킵핑을 위하여 시작점 후보군 프레임의 구조가 이용된다. 먼저 노이즈 B 스킵핑에서는 프레임 인덱스를 이용하여 연속되어 있는 후보군 프레임을 검색한다. 설정한 呢 값 보다 연속되는 후보군 프레임의 수가 적다면 스킵핑 된다.
- 노이즈 C 스킵핑에서는 부호 비율을 구하기 위하여 +와 - 의 최소파형모형 개수가 이용된다. 연속되는 프레임 마다 부호 별 최소파형모형 개수를 따로 합산하여 부호 비율을 계산한다. 계산된 값은 설정한 1HC 값과 비교하여 스킵핑 여부를 결정한다.
- 쿼리 군의 음악은 64kbps의 음질과 스테레오 채널로 변환하였으며, 검색 수행 시 질의로 사용되는 군으로 데이터베이스에 등록이 되지 않는다. 검색 방법은 쿼리 군의 음악을 입력 데이터로 하여 데이터베이스에 등록 된 서버 군의 음악과 비교를 수행하였다. 비교는 변환한 쿼리 500개의 곡과 서버 500개의 곡을 이용하였다.
- 갖는다. 이를 증명하기 위하여 검색의 실패 요인 중 한 가지를 배제하고 실험하였다. 검색의 실패 요인은 두 가지이다.
- 첫째는 검색 알고리즘의 오류로 인한 실패이고, 둘째는 시작점 검출 오류로 인한 실패이다. 여기서 검색 알고리즘의 오류로 인한 검색의 실패를 배제시켜 오직 시작점 검출의 오류로 인한 검색실패만 나타나게 하였다. 따라서 서버 군 음악과 쿼리 군 음악의 시작점을 수동으로 정확히 맞추어 주고 검색의 결과가 100%임을 보이는 실험을 하였다.
- 노이즈에 강인한 시작점 검출을 검증하기 위하여 노이즈스킵핑을 미적용한 시작점 검출과 노이즈 스킵핑을 적용한 시작점 검출을 비교 실험 하였다. 노이즈 스킵핑의 미적용은 최소파형 모형 검사만을 이용하여 시작점 검출을 하였고, 노이즈스킵핑의 적용은 최소파형모형 검사와 프레임 내부와 외부 스킵핑을 적용하여 검출 하였다.
- 검출을 비교 실험 하였다. 노이즈 스킵핑의 미적용은 최소파형 모형 검사만을 이용하여 시작점 검출을 하였고, 노이즈스킵핑의 적용은 최소파형모형 검사와 프레임 내부와 외부 스킵핑을 적용하여 검출 하였다. 그림 8은 노이즈 스킵핑을 적용하지 않고 최소파형모형만을 이용해 검출한 실험결과를 나타낸다.
- 노이즈 스킵핑의 측정은 프레임 내부에서 외부로 노이즈 단계별로 수행하였다. 임계치 값을 결정하는 실험도 같은 단계로 수행하였다.
- 임계치 값을 결정하는 실험도 같은 단계로 수행하였다. 실험에서는 한 단계의 임계치 값이 결정되면 다음 단계에 이전 단계의 임계치 값을 반영하고 실험하였다. 노이즈 A에 해당하는 此값이 결정되면 码값을 결정하는 실험에 반영하였다.
- 본 논문에서는 이러한 시작 시간의 오차를 검색의 전 단계에서 해결하고자 음악의 시작점을 검출하여 시작 시간을 일관성 있게 하였다. 음악의 시작점을 검출하기 위하여 최소파형 모형을 프레임 단위로 검사하였고, 묵음 영역에 존재하는 노이즈는 스킵핑 하여 노이즈에 강인한 시작점을 검출 하였다. 음악의 시작점을 시간 순차적 검색 방식에 적용시켜 본 결과, 시작점을 검출하지 않고 적용시킨 것보다 37.
- 스킵핑을 적용하였다. 스킵핑의 적용은 묵음 영역에 존재하는 노이즈를 대상으로 하였으며 실험에 사용된 디지털 음악을 통해 4가지 유형으로 구분하였다. 각 노이즈 유형마다 특징을 분석하였고 최소파형모형을 이용한 스킵핑 조건을 두었다.
- 스킵핑의 적용은 묵음 영역에 존재하는 노이즈를 대상으로 하였으며 실험에 사용된 디지털 음악을 통해 4가지 유형으로 구분하였다. 각 노이즈 유형마다 특징을 분석하였고 최소파형모형을 이용한 스킵핑 조건을 두었다. 또한 조건에 따른 최적의 성능을 구하기 위하여 노이즈 조건에 따른 임계치 값을 설정하고 각각 실험하였다.
- 각 노이즈 유형마다 특징을 분석하였고 최소파형모형을 이용한 스킵핑 조건을 두었다. 또한 조건에 따른 최적의 성능을 구하기 위하여 노이즈 조건에 따른 임계치 값을 설정하고 각각 실험하였다. 실험 결과 노이즈 스킵핑 단계를 거칠 때마다 성능이 높아짐을 확인하였으며, 노이즈 스킵핑 단계를 거쳐 총 3.
- 첫 번째는 프레임 내부 스킵핑으로 최소파형모형 검사 시 수행한다. 노이즈 A가 이에 해당 되며, 프레임 내부 최소파형 모형을 검사하면서 반주기 파형을 구성하는 샘플이 노이즈인지 판단하고 스킵핑 한다. 두 번째는 프레임 외부 스킵핑으로 최소파형모형 검사를 수행한 후 시작점 후보군이 도출되었을 때 수행한다.
대상 데이터
- 실험에 사용된 음악 데이터베이스는 인터넷 음악 전문 사이트와 CD를 이용하여 국내외 아티스트 앨범단위 500곡을 무작위로 수집하였다. 수집된 음악 형식은 MP3 파일이며, 검색을 수행하기 위해 서버 군과 쿼리 군으로 나누었다.
- 수집하였다. 수집된 음악 형식은 MP3 파일이며, 검색을 수행하기 위해 서버 군과 쿼리 군으로 나누었다. 서버 군의 음악은 수집하고 나서 변환되지 않은 상태로 다양한 음질과 채널을 가지고 있으며, 검색 수행 시 비교되는 군으로 특징을 추출하고 데이터베이스에 등록하였다.
- 검색 방법은 쿼리 군의 음악을 입력 데이터로 하여 데이터베이스에 등록 된 서버 군의 음악과 비교를 수행하였다. 비교는 변환한 쿼리 500개의 곡과 서버 500개의 곡을 이용하였다. 검색의 결과는 특징간의 거리 값이 가장 적은 수치를 보이는 음악으로 하며 검색의 판단은 파일명을 비교하였다.
데이터처리
- 비교는 변환한 쿼리 500개의 곡과 서버 500개의 곡을 이용하였다. 검색의 결과는 특징간의 거리 값이 가장 적은 수치를 보이는 음악으로 하며 검색의 판단은 파일명을 비교하였다. 즉, 유사도가 가장 높은 파일을 검색하고 파일명이 같을 경우 검색 성공이며, 다르면 검색 실패로 나타내었다.
- 본 논문에서 제안한 시작점 검출 알고리즘의 성능을 검증하기 위하여 시작점을 검출하지 않고 검색한 결과와 시작점을 검출하고 검색한 결과를 비교하였다.
이론/모형
- 신호의 유형은 유사하지만 시간 도메인이 다르면 유클리드 또는 도시-블록 알고리즘을 이용한 거리 계산 값이 전혀 다른 신호로 인식하게 되므로 시계열 데이터 값에 이동을 적용하였다. 그러나 이동을 통한 유사도 측정 방식은 데이터베이스의 빈번한 접근과 계산 비용이 높다는 문제가 있으므로 FastMap 기반의 인덱스 구조 설계 기술을 사용하였다. 기존이동 방법을 이용 하였을 때 보다 지속적인 성과를 나타내었으며, 최고 7.
- 그림 1은 MFCC의 특징 추출 과정이다. 입력된 신호의 프레임에 대해서 pre-emphasis 과정과 해밍 윈도우를 거친 후 FFT(Fast Fourier Transform)를 수행한다. 여기서 FFT 처리는 시계열 데이터의 파형 신호를 주파수 영역으로 변환시키는 과정이다.
- 마지막 DCT 처리는 필터 뱅크의 출력 간의 상관관계를 없애주고 파라미터의 특징을 모아주는 역할을 한다. 특징은 필터 뱅크의 개수만큼 결과가 나오며 본 논문에서는 13차 특징 벡터 계수를 사용하였다.
- 디지털 음악을 입력데이터로 하고 5ms를 한 프레임 단위로 이동하면서 최소파형모형 검사를 한다. 최소파형모형 검사는 최소파형 모형 검사와 프레임 내부 노이즈 스킵핑을 적용하여 검사한다. 최소파형모형 검사에서 반주기 파형의 샘플 개수를 카운트하며 이때 카운트 되는 샘플의 에너지가 설정한 |丑以 값 이상이면 해당 샘플은 스킵핑 된다.
- 노이즈에 강인함을 검증하기 위하여 입력되는 음악에 노이즈 스킵핑을 적용하였다. 스킵핑의 적용은 묵음 영역에 존재하는 노이즈를 대상으로 하였으며 실험에 사용된 디지털 음악을 통해 4가지 유형으로 구분하였다.
성능/효과
- 음악은 녹음 환경의 기계적인 문제나 전기 신호의 간섭 또는 다른 신호의 간섭, 아날로그 신호의 디지털화 등 다양한 경로를 통해 노이즈가 발생할 수 있다. 시작점을 검출하는데 있어서 묵음에 존재하는 노이즈는 방해요인이 되므로 음악의 묵음에서 발생할 수 있는 노이즈의 유형을 구분 짓고, 스킵핑 하여 노이즈에 강인한 시작점을 검출하였다.
- 그러나 이동을 통한 유사도 측정 방식은 데이터베이스의 빈번한 접근과 계산 비용이 높다는 문제가 있으므로 FastMap 기반의 인덱스 구조 설계 기술을 사용하였다. 기존이동 방법을 이용 하였을 때 보다 지속적인 성과를 나타내었으며, 최고 7.8배 속도 증가를 보였다. 논문〔3〕도 음성 도메인에서 시계열 데이터를 다루었다.
- 여기서 검색 알고리즘의 오류로 인한 검색의 실패를 배제시켜 오직 시작점 검출의 오류로 인한 검색실패만 나타나게 하였다. 따라서 서버 군 음악과 쿼리 군 음악의 시작점을 수동으로 정확히 맞추어 주고 검색의 결과가 100%임을 보이는 실험을 하였다. 이러한 실험설정은 본 실험 수행 시 검색의 결과가 실패로 나타나는 경우 시작점의 불일치만을 의미하기 때문에 검색의 성공률과 시작점 검출의 성공률은 동일하게 된다.
- 실험결과 시작점 검출을 적용하지 않은 검색 결과는 57.4%, 시작점 검출을 적용한 검색 결과는 95.2%로 미적용한 검색 결과보다 37.8% 높은 성능을 보였다. 검색 결과는 시작점 검출의 성능과 동일하므로 본 논문에서 제시한 음악 시작점 검출 알고리즘의 성능은 95.
- 8% 높은 성능을 보였다. 검색 결과는 시작점 검출의 성능과 동일하므로 본 논문에서 제시한 음악 시작점 검출 알고리즘의 성능은 95.2%이다.
- 2%로 가장 높게 나타났다. 이러한 결과는 노이즈 스킵핑 단계를 거칠 때마다 검출 성능의 향상됨을 보이며 , 노이즈 스킵핑을 미적용한 결과보다 3.4% 향상으로 노이즈에 강인함을 검증하였다.
- 음악의 시작점을 검출하기 위하여 최소파형 모형을 프레임 단위로 검사하였고, 묵음 영역에 존재하는 노이즈는 스킵핑 하여 노이즈에 강인한 시작점을 검출 하였다. 음악의 시작점을 시간 순차적 검색 방식에 적용시켜 본 결과, 시작점을 검출하지 않고 적용시킨 것보다 37.8% 성능향상이 있었다.
- 또한 조건에 따른 최적의 성능을 구하기 위하여 노이즈 조건에 따른 임계치 값을 설정하고 각각 실험하였다. 실험 결과 노이즈 스킵핑 단계를 거칠 때마다 성능이 높아짐을 확인하였으며, 노이즈 스킵핑 단계를 거쳐 총 3.4% 성능 향상이 있었다. 따라서 제안한 시작점 검출 알고리즘은 노이즈에 강인하다.
- 처리에 필요하지 않은 묵음영역의 계산 낭비를 막게 되며, 후행 되는 분석시스템의 인식 향상을 가져오기 때문이다. 본 논문의 실험은 한정된 음악 내에서 수행되어 제안한 노이즈의 특성 이외에 다른 특징을 보이는 노이즈가 존재할 가능성이 있다. 따라서 시작점 검출 알고리즘에 있어서, 노이즈에 강인함을 더하기 위하여 묵음영역에 존재하는 노이즈 유형의 구분 및 분석을 향후 과제로 남긴다.
후속연구
- 제안한 알고리즘은 음악을 이용한 분석시스템 설계 시 전처리 단계로 유용하게 사용될 것으로 기대된다. 처리에 필요하지 않은 묵음영역의 계산 낭비를 막게 되며, 후행 되는 분석시스템의 인식 향상을 가져오기 때문이다.
- 본 논문의 실험은 한정된 음악 내에서 수행되어 제안한 노이즈의 특성 이외에 다른 특징을 보이는 노이즈가 존재할 가능성이 있다. 따라서 시작점 검출 알고리즘에 있어서, 노이즈에 강인함을 더하기 위하여 묵음영역에 존재하는 노이즈 유형의 구분 및 분석을 향후 과제로 남긴다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.