Classification of music genre using geometric mean metric learning with KNN approach
저자
발행사항
Seoul : Sungkyunkwan university, 2020
학위논문사항
Thesis (M.A.)-- Sungkyunkwan university : Department of Mathematics 2020. 8
발행연도
2020
작성언어
영어
주제어
발행국(도시)
서울
형태사항
45 p. : ill., charts ; 30 cm
일반주기명
Adviser: Yongdo Lim
Includes bibliographical reference(p. 38-39)
UCI식별코드
I804:11040-000000159446
DOI식별코드
소장기관
In the field of music information retrieval (MIR), categorizing music files by genre is a challenging task. Moreover, the classification of music genres in today's world is very important because of the rapid growth of both music composers and online music tracks. Due to the limitations of the existing music genre classification methods, the new methods of progression play a major role in the music fields from a large collection of music data. In this paper, we propose Geometric Mean Metric Learning (GMML) method for music genre classfication. Extract features from the audio so that each audio data can be expressed in a vector format to implement the learning algorithm. In particular, tuning weight in GMML method helps to increase higher accuracy. In conclusion, this method yields better performance than the traditional method such as Mahalanobis metric for clustering (MMC), least square metric learning (LSML) and Euclidean metric (KNN) models for GTZAN dataset.
더보기음악 정보 검색 (MIR) 분야에서 음악 파일을 장르별로 분류하는 것은 어려운 작업이다. 더욱이 오늘날의 음악 작곡가와 온라인 음악 트랙 산업의 급속한 성장으로 인해 음악 장르 분류 작업은 매우 중요해졌다. 하지만 기존 음악 장르 분류 방법의 한계로 인해 새로운 방법이 요구된다. 본 논문에서는 음악 장르 분류를 위해 GMML (Geometric Mean Metric Learning) 방법을 제안한다. 학습 알고리즘을 구현하기 위해 각 오디오 데이터를 벡터 형식으로 표현할 수 있도록 오디오에서 feature를 추출한다. 또한, GMML 방식의 가중치 조정은 정확도를 높이는 데 도움이 된다. 결론적으로, 이 방법은 GTZAN 데이터에 대해 MMC (Mahalanobis metric for clustering), LSML (Least Square Metric Learning) 및 기존 KNN (Euclidean metric) 모델보다 성능이 우수하다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)