초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

저장 장치의 급속한 발전으로 인해 기존에 서비스할 수 없었던 개인 사용자를 위한 클라우드 서비스가 활성화되고 있다. 이 중 음악을 대상으로 하는 스트리밍 및 공유 서비스는 다양한 음악의 종류를 수용하기 위해 체계적인 분류를 필요로 한다. 기존의 분류체계는 단순히 작곡가나 업로더의 의견에 의해서 일방적으로 정해지기 때문에 사용자가 중심이 되는 클라우드 서비스에는 어울리지 않는다. 따라서 본 논문은 이와 같은 문제점을 해결하기 위해 사랑의 감정을 기준으로 새로운 분류체계를 제안한다. 자동적인 분류를 위해 데이터마이닝 기법을 접목시켰으며, 원활한 마이닝을 위해 오디오 음악 파일(raw data)을 정해진 크기로 자르고 feature extraction을 통해 오디오 음악 파일에 대한 전처리를 수행하였다. 이후 feature selection을 수행하기 위해 clustering을 이용해 유효한 중요도를 지나는 feature를 선별하였으며 선별된 feature를 토대로 SVN(Support Vector Machine)을 이용해 feature의 중요도에 대한 유효성을 검증함과 동시에 분류를 수행하여 감정을 기반으로 분류한 결과를 보였다.

저장 장치의 급속한 발전으로 인해 기존에 서비스할 수 없었던 개인 사용자를 위한 클라우드 서비스가 활성화되고 있다. 이 중 음악을 대상으로 하는 스트리밍 및 공유 서비스는 다양한 음악의 종류를 수용하기 위해 체계적인 분류를 필요로 한다. 기존의 분류체계는 단순히 작곡가나 업로더의 의견에 의해서 일방적으로 정해지기 때문에 사용자가 중심이 되는 클라우드 서비스에는 어울리지 않는다. 따라서 본 논문은 이와 같은 문제점을 해결하기 위해 사랑의 감정을 기준으로 새로운 분류체계를 제안한다. 자동적인 분류를 위해 데이터마이닝 기법을 접목시켰으며, 원활한 마이닝을 위해 오디오 음악 파일(raw data)을 정해진 크기로 자르고 feature extraction을 통해 오디오 음악 파일에 대한 전처리를 수행하였다. 이후 feature selection을 수행하기 위해 clustering을 이용해 유효한 중요도를 지나는 feature를 선별하였으며 선별된 feature를 토대로 SVN(Support Vector Machine)을 이용해 feature의 중요도에 대한 유효성을 검증함과 동시에 분류를 수행하여 감정을 기반으로 분류한 결과를 보였다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 또한 사람들에 의해 재탄생한 음악 파일들은 여러 장르의 음악, 효과음 또는 자연에서 오는 소리 등을 섞을 수 있어 장르를 기준으로 분류하는 기존의 분류체계는 적합하지 않다. 따라서 본 논문에서는 다양한 자료를 사람이 아닌 기계가 분류함에 있어 자동적이고 융통성 있게 처리할 수 있도록 데이터 마이닝을 접목시켜 사람의 기분을 기준으로 분류하는 새로운 음악 분야의 분류표를 제시함과 동시에 분류하는 방법론을 제시하였다.
• 추후 연구에 사용된 기법들의 알고리즘을 feature 추출과 분류를 별도의 소프트웨어로 개발하기 위해 선택하였다.

가설 설정

• Feature selection은 Clustering에서 높은 정확도 (Accuracy)를 보이는 것이 중요도가 높은 feature일 것이라는 가정 하에 진행했다. 전체 featxire 집합에서 다양한 부분 집합으로 나누어 각 조합에 대한 정확도를 측정하였다.

제안 방법

• Clustering을 통해 얻은 feature selection의 결과를 토대로 중요도가 높은 29개의 세부 feature(104개 중)들을 기준으로 하고, 전체 데이터의 약 2분의 1을 training data로 사용하는 Holdout validation을 이용하여 분류한 경우 각 feature 집합에 따른 정확도는 아래와 같다. 최적의 경우인 29개의 세부 feature를 평균값을 기준으로 분류한 결과 99.
• Supervised learning인 SVM올 통해 위에서 측정된 feature 중요도에 대한 검증과 더불어 본격적인 분류를 수행했다..
• 먼저 시행된 분석은 Unsupervised Learning 인 Clustering이다. 학습된 데이터를 기반으로 판단하지 않는 Clustering은 다량의 label 된 오디오 데이터를 확보할 수 있는 환경에서 효율적인 분석 기술이 아니다.
• 우리는 총 세 가지의 수학적 통계치를 사용했다. 이 중 Clustering의 결과 평균을 이용한 정확도 (61.
• 최대한의 feature들을 단순히 데이터에서 추출하기만 했으므로 분류 시 의사결정을 저해하는 세부 feature는 가려내고 영향력이 높은 세부 feature를 판별해야 한다. 이후 기존에 모든 feature를 사용한 분류와 중요도가 높은 featuer들을 이용한 분류를 비교 분석하여 우수한 정확도를 보이는 방법을 선택한다.
• 가정 하에 진행했다. 전체 featxire 집합에서 다양한 부분 집합으로 나누어 각 조합에 대한 정확도를 측정하였다.

데이터처리

• 각각의 윈도우는 앞서 언급된 104개의 세부 feature를 각기 평균 (Mean), 표준편차 (Standard deviation), 분산 (Variance)으로 표현하였다. 결론적으로 오디오 데이터의윈도우 하나에 대하여 312개의 세부 feat成e를 뽑아내었다 할 수 있다.

이론/모형

• SVM을 진행함에 있어 정확도에 대한 신뢰성을 확보하기 위해 Cross Validation을 사용했다. 전체 데이터의 약 5분의 1을 training data로 사용하고, 모든 feature를 분류에 적용한 경우 아래의 표와 같은 결과를 보였다.
• 또한 오디오 파일의 총 양은 한정되어 있지 않기 때문에 확장성을 포함하는 결과물을 생성해낼 수 있어야 하며 분류 속도 또한 고려되어야 한다. 따라서 본 논문은 빠른 처리속도와 더불어 다양한 기법을 손쉽게 사용할 수 있는 YAAFE를 선택하였다. YAAFE는 약 30여 개의 feature* 추출할 수 있으며, 이중<그림 1>에서 나열된 16개의 feature* 사용했다, 16 개의 feature는 제각기 몇 가지 세부 feature로 나누어지며 feature들에서 나온 총 세부 feature의 개수는 104개였다.
• 학습된 데이터를 기반으로 판단하지 않는 Clustering은 다량의 label 된 오디오 데이터를 확보할 수 있는 환경에서 효율적인 분석 기술이 아니다. 하지만 보다 높은 정확도를 갖기 위해 중요도가 높은 feature를 선별하는 feature selection을 수행하기 위해 Clustering을 사용했다.

성능/효과

• 표현하였다. 결론적으로 오디오 데이터의윈도우 하나에 대하여 312개의 세부 feat成e를 뽑아내었다 할 수 있다.
• 도출해 내었음을 알 수 있었다. 비록 적은 양의 sampling과 기분을 적용하였으나 다른 연구에 비해 높은 수준의 정확도 향상을 보였다.
• 실험의 결과로 우리는 기존의 분류체계에서 비롯된 가수를 기준으로 분류하는 연구였던 Mandel의 연구 ⑹나 McKinney의 연구[기에 비해 높은 수준의 결과를 도출해 내었음을 알 수 있었다. 비록 적은 양의 sampling과 기분을 적용하였으나 다른 연구에 비해 높은 수준의 정확도 향상을 보였다.
• 3%)은 떨어지는 정확도를 보였다.<그림 2>에서 볼 수 있듯이 색을 분별할 수 있을 정도로 분포된 Mean의 경우가 가장 높은 정확도를 보이는 것이 당연했으나, 데이터가 밀집되어 있다는 점과 그 정확도가 완전한 랜덤의 경우에 예즉될 값(33.3%)에 비해 중분하지 못하다는 점에 빌어 수학적인 세부 feature를 선별하는 것은 의미가 없다는 결론을 내렸다.
• . 위에서 도출한 결과를 이용해 적은 featuue만으로충분한 정확도를 도출해 낼 수 있다면 더욱 성능을 향상시킬 수 있기 때문에 높은 평가를 받은 feature만을 이용한 분류를 시도해 보았으며, 모든 feat成e를 이용한 경우보다 더 높은 정확도를 보이며 성공적인 결과를 보였다.
• 우리는 총 세 가지의 수학적 통계치를 사용했다. 이 중 Clustering의 결과 평균을 이용한 정확도 (61.5%)가 가장 높았다. 그에 비해 표준편차(53.
• 이후 각각의 오디오 데이터 파일에 대한 feature을 선택하였고, 그 결과 과같이 SpectralSlope, Loundness, Perceptual Sharpness, Perceptual Spread의 특정 세부 feature들의 조합이 가장 높은 정확도를 보였다.
• 집합에 따른 정확도는 아래와 같다. 최적의 경우인 29개의 세부 feature를 평균값을 기준으로 분류한 결과 99.7%의 정확도를 보였다.

후속연구

• 가지 수학적 기법에 있다. 보다 많은 통계적 수치를 나타낼 방법은 산재해 있으며, 다양한 기법을 통해 좀 더 중요도가 높은 feature를 선별해 낼 수 있을 것이다. 또한 각각의 수학적 feature 과 오디오 데이터를 기반으로 한 feature간의 조합은 시험에 보지 않았으므로 단순히 새로운 조합을 찾는 것만으로도 성능의 개선올 달성할 수 있다.
• 하지만 이를 위해서는 적은 양의 학습 데이터의 직접적인 원인이었던 feature extraction에서의 성능 문제를 해결해야 한다. 하지만 Clustering 및 SVM을 통해 선별한 feature들을 적용해 다시 프로그램을 수정한다면 이후에 이루어지는 연구에서는 충분한 수준의 속도로 끌어올릴 수 있을 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기