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
- 본 연구팀에서는 분위기가 비슷한 음악과 색상을 동시에 제공할 시에 발생하는 전문가 섭외에 따른 금전적 손실과 수동 선택에 따른 시간적 손실을 경감시키기 위해, 음악과 색상을 자동으로 연결시켜주는 “음악에 따른 색상 자동 판별 시스템”과 이를 기반으로 연상되는 분위기가 비슷한 음악과 색상을 동시에 재생해주는 “감성 조명 시스템”을 개발하였다.
제안 방법
- 본 연구팀에서는 총 2차례에 걸쳐 데이터를 수집하였다. 1차 수집과정에서 취합된 데이터는 [7]의 연구에서 한차례 분석하였고, 이후 1차 수집 과정에서 사용한 음악을 제외한 다른 음악에 대해 2차 수집과정을 진행하였다. 음악에 따른 분위기 데이터의 수집에서 제공된 웹 사이트의 UI 는 확장된 Thayer의 2차원 모델[8]을 이용하였고, (그림 3-a)와 같다.
- 일반적으로 음악 한곡은 가요의 경우 최소 3분의 길이로 구성되고, 클래식 같은 경우 5분은 물론 10분 이상인 경우도 있다. 따라서 피실험자에게 온전한 음악이 아닌 일부 구간만을 들려주고 그에 대한 반응을 수집하기 위해 음악의 구조를 분석하고, 구조에 따라 음악을 세그먼트로 분리한 후 그 음악을 대표 할 수 있는 대표 세그먼트를 선택한다.
- 을 사용한다. 먼저 음악의 구조 정보를 분석하고, 분석된 구조 정보를 이용하여 음악을 세그먼트로 분리한 후 분리된 세그먼트 중 신호의 에너지 값이 가장 큰 위치를 선택하여 대표 세그먼트로 선택하고, 전반부 및 후반부의 세그먼트를 선택한다. 즉, 음악 1개당 최소 2개 ~ 3개의 세그먼트를 선택하는데, 신호의 에너지 값이 가능 큰 위치가 전반부 또는 후반부와 동일할 경우 2개를, 동일하지 않을 경우 3개를 선택한다.
- 음악에 따른 색상 자동 판별 시스템에서는 음악에 따른 색상을 판별하기 위해서 음악에 따른 색상의 정의가 필요하고, 이후 음악의 특징을 추출하고 기계학습을 진행하여 음악-색상 모델을 만들어야 한다. 본 연구팀에서는 음악에 따른 색상을 정의하는데 직접적 방식과 간접적 방식의 2가지 방식을 사용한다. 이를 위해 간접적 방식의 정의에서 필요한 데이터는 음악에 따른 분위기 데이터와 분위기에 따른 색상 데이터이며, 직접적 방식의 정의에서는 음악에 따른 색상 데이터가 필요하다.
- 본 연구팀에서는 현재 직, 간접적으로 정의된 음악에 따른 색상을 이용하여 음악-색상의 모델을 만드는 방법을 다방면으로 시도하고 있으며, 어느 정도의 가시적 성과를 거두고 있다. 하지만, 실제 음악에 따른 색상의 정의에 사용된 데이터의 양과 질이 결코 높다고 할 수 없기에 높은 예측 성능과 일반화를 위해 다양한 연령대의 피실험자 그룹과 전문가 그룹에 대한 데이터를 추가로 수집해야만 한다.
- 음악에 따른 색상의 간접적 정의 방법은 (그림 4-a)와 같이 음악에 따른 분위기 데이터와 분위기에 따른 색상 데이터를 이용하여 분위기를 매개체로 정의하는 방법이다. 음악에 따른 분위기 데이터를 이용하여 세그먼트별 대표 분위기를 정의하고, 분위기에 따른 색상 데이터를 이용하여 분위기별 대표 색상을 정의한다. 이후 세그먼트별 대표 분위기에 분위기별 대표 색상을 적용하여 음악에 따른 색상을 정의한다.
- 음악에 따른 분위기 데이터를 이용하여 세그먼트별 대표 분위기를 정의하고, 분위기에 따른 색상 데이터를 이용하여 분위기별 대표 색상을 정의한다. 이후 세그먼트별 대표 분위기에 분위기별 대표 색상을 적용하여 음악에 따른 색상을 정의한다.
- 음악에 따른 분위기 데이터의 수집에서 제공된 웹 사이트의 UI 는 확장된 Thayer의 2차원 모델[8]을 이용하였고, (그림 3-a)와 같다. 피실험자는 음악에 따른 분위기 수집 소프트웨어에서 재생되는 음악을 청취하면서 총 5점의 점수를 연상되는 분위기에 나누어 투표하였다.
- 은 미국인과 멕시코인 지원자를 받아 바흐, 모차르트, 브람스의 클래식 음악을 들려주고, 색상을 선택하게 하였다. 한 음악을 듣고 총 38개의 색상 중 가장 관련성이 큰 5개의 색상과 가장 관련성이 없다고 느껴지는 5개의 색상을 각각 선택하는 방식으로 투표하였고, 그 결과로 음악을 선법과 빠르기의 총 4개 종류로 나누어서 분석하였다. 대체적으로 느린 음악에서는 낮은 채도, 낮은 명도, 푸른색 계통을 선택하였고, 빠른 음악에서는 높은 채도, 높은 명도, 노란색 계통을 선택하였다.
대상 데이터
- 본 연구팀에서는 총 2차례에 걸쳐 데이터를 수집하였다. 1차 수집과정에서 취합된 데이터는 [7]의 연구에서 한차례 분석하였고, 이후 1차 수집 과정에서 사용한 음악을 제외한 다른 음악에 대해 2차 수집과정을 진행하였다.
- 음악에 따른 색상 자동 판별 시스템의 핵심 기능인 음악-색상 사이의 모델링을 위해 두번에 걸쳐 데이터 수집이 이루어졌다. 수집된 데이터에서 음악 색상 사이의 모델을 만들고, 이를 이용하여 조명 시나리오를 생성하는 과정을 거치는데, 본 기고문에서는 전체 과정 중 음악에 따른 색상을 판별함에 있어 필요한 여러 데이터의 수집 및 음악에 따른 색상을 정의하는 과정을 3장에서, 감성 조명 시스템에 대해 4장에서 소개하고, 5장에서 결론을 맺는다.
이론/모형
- 1차 수집과정에서 취합된 데이터는 [7]의 연구에서 한차례 분석하였고, 이후 1차 수집 과정에서 사용한 음악을 제외한 다른 음악에 대해 2차 수집과정을 진행하였다. 음악에 따른 분위기 데이터의 수집에서 제공된 웹 사이트의 UI 는 확장된 Thayer의 2차원 모델[8]을 이용하였고, (그림 3-a)와 같다. 피실험자는 음악에 따른 분위기 수집 소프트웨어에서 재생되는 음악을 청취하면서 총 5점의 점수를 연상되는 분위기에 나누어 투표하였다.
- 음악의 원곡 중 전반, 대표 그리고 후반의 세그먼트를 선택하기 위해 상태 열 기반 클러스터링 방법[7]을 사용한다. 먼저 음악의 구조 정보를 분석하고, 분석된 구조 정보를 이용하여 음악을 세그먼트로 분리한 후 분리된 세그먼트 중 신호의 에너지 값이 가장 큰 위치를 선택하여 대표 세그먼트로 선택하고, 전반부 및 후반부의 세그먼트를 선택한다.
성능/효과
- 한 음악을 듣고 총 38개의 색상 중 가장 관련성이 큰 5개의 색상과 가장 관련성이 없다고 느껴지는 5개의 색상을 각각 선택하는 방식으로 투표하였고, 그 결과로 음악을 선법과 빠르기의 총 4개 종류로 나누어서 분석하였다. 대체적으로 느린 음악에서는 낮은 채도, 낮은 명도, 푸른색 계통을 선택하였고, 빠른 음악에서는 높은 채도, 높은 명도, 노란색 계통을 선택하였다.
- Odbert 등[5]은 Hevner 모델[6]을 이용하여 음악의 분위기를 조사하였고, 음악의 색상을 살펴보았다. 음악의 분위기와 그 음악에 의해 제안된 색상 사이의 관계를 분석함으로써 음악의 분위기에 동의하지 않는 사람은 음악의 색상 또한 동의하지 않음을 보여주었다.
- Bresin 등[4]은 8가지 색상과 다른 분위기를 표현하는 12개의 음악을 사용하여 둘 사이의 관계를 파악하였으며, 그 결과 서로 다른 색상이 서로 다른 분위기와 연관됨을 보여주었다. 즉, 어두운 색상은 단조 음악과 함께, 밝은 색상은 장조 음악과 함께 나타남을 보여주었다. Odbert 등[5]은 Hevner 모델[6]을 이용하여 음악의 분위기를 조사하였고, 음악의 색상을 살펴보았다.
후속연구
- 앞으로 음악과 색상 사이의 관계를 활용한 다양한 응용 분야들이 출현하게 될 것이며, 이 때 본 기고문에서 소개한 음악에 따른 색상 정의 방법이 유용하게 사용될 것이다. 음악과 색상을 이용한 여러 형태의 응용을 지원하기 위해서는 음악과 색상간의 관계 정보를 효율적으로 저장하고 검색하는 방법이 필요하게 될 것이다.
- 본 연구팀에서는 현재 직, 간접적으로 정의된 음악에 따른 색상을 이용하여 음악-색상의 모델을 만드는 방법을 다방면으로 시도하고 있으며, 어느 정도의 가시적 성과를 거두고 있다. 하지만, 실제 음악에 따른 색상의 정의에 사용된 데이터의 양과 질이 결코 높다고 할 수 없기에 높은 예측 성능과 일반화를 위해 다양한 연령대의 피실험자 그룹과 전문가 그룹에 대한 데이터를 추가로 수집해야만 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.