변조 스펙트럼 분석에 의한 템포 특징의 음악 정보 검색에 대한 적용
A Tempo Feature via Modulation Spectrum Analysis and Its Applications to Music Information Retrieval Tasks
0
조회
0
다운로드
0
인용
0
참고문헌
초록
본 논문은 음악 정보검색에 사용되는 효과적인 템포 특징 추출방식을 제안한다. 제안된 템포 정보는 협소 밴드상의 일시적인 변조 성분에 의해 형성된다. 이러한 변조 성분은 시간 축 상의 음악 신호로부터 스펙트럼을 구한 후, 각 스펙트럼 성분에 대한 주파수 영역 분석을 통해 획득된 변조 스펙트럼으로 구성된다. 실제 구현에 있어서는 MP3 음악파일로부터 부분 디코딩에 의해 출력된 변형된 이산 코사인 변환 계수에 퓨리에 변환을 취하여 변조스펙트럼을 구하였다. 획득된 변조 스펙트럼의 진폭으로부터 고속으로 추출된 음악 템포 특징값은 다양한 음악 정보 검색에 적용되었다. 음악 무드 및 장르 분류에서는 로그 변조 주파수 계수를 적용하여 분류 성능을 개선시켰으며, 적응 변조 스펙트럼에서 유도된 비트 벡터는 오디오 핑거프린팅에 적용되어 잡음환경 하에서도 검색 성능을 크게 향상시켰다.
Abstract
This paper proposes an effective tempo feature extraction method for music information retrieval. The tempo information is modeled by the narrow-band temporal modulation components, which are decomposed into a modulation spectrum via joint frequency analysis. In implementation, the tempo feature is directly extracted from the modified discrete cosine transform coefficients, which is the output of partial MP3(MPEG 1 Layer 3) decoder. Then, different features are extracted from the amplitudes of modulation spectrum and applied to different music information retrieval tasks. The logarithmic scale modulation frequency coefficients are employed in automatic music emotion classification and music genre classification. The classification precision in both systems is improved significantly. The bit vectors derived from adaptive modulation spectrum is used in audio fingerprinting task. That is proved to be able to achieve high robustness in this application. The experimental results in these tasks validate the effectiveness of the proposed tempo feature.
참고문헌 (27)
- M. Alonso, "Tempo extraction for audio recordings" (2005)
- M. Alonso, "Tempo and beat estimation of musical signals", pp.158~163 (2004)
- E. Scheirer, "Tempo and beat analysis of acoustic music signals", 103(1), pp.588~601 (1998)
- J. Foote, "The beat spectrum: A new approach to rhythm analysis", pp.881~884
- G. Tzanetakis, "Automatic musical genre classification of audio signals", 10(5), pp.293~302
- F. Gouyon, "Evaluating rhythmic descriptors for musical genre classification", pp.196~196
- E. Pampalk, "Exploring music collections by browsing different views", pp.201~208
- F. Gouyon, "Pulse- dependent analyses of percussive music", pp.396~401
- V. Tyagi, "Mel-Cepstrum Modulation Spectrum (MCMS) features for robust ASR"
- G. Peeters, "Toward automatic music audio summary generation from signal analysis", pp.94~100
- S. Sukittanon, "Modulation-scale analysis for content identification", 52(10), pp.3023~3035
- K. Tanghe, "Collecting ground truth annotations for drum detection in polyphonic music", pp.50~57
- P. N. Juslin, "Music and emotion: Theory and research" (2001), Oxford Univ. Press
- D. Liu, "Automatic mood detection from acoustic music data"
- Y. Z. Feng, "Music information retrieval by detecting mood via computational media aesthetics", pp.281~282
- R. E. Schapire, "A brief introduction to boosting", pp.1401~1406
- B. L. Feldman, "Independence and bipolarity in the structure of affect", 74, pp.967~984
- T. Li, "Factors in automatic musical genre classification of audio signals", pp.143~146
- M. McKinney, "Features for audio and music classification", pp.151~158
- K. West, "Features and Classifiers for the Automatic Classification of Musical Audio Signals", pp.531~536, ISMIR
- J. Herre, "Scalable robust audio fingerprinting using MPEG-7 content description", pp.165~168
- R. Lancini, "Audio content identification by using perceptual hashing", pp.739~742
- C. Burges, "Distortion discriminant analysis for audio fingerprinting", 11(3), pp.165~174
- A. Ribbrock, "A full-text retrieval approach to content-based audio identification", pp.194~197
- J. Haitsma, "A highly robust audio fingerprinting system", pp.14~17
- P. Cano, "A review of algorithms for audio fingerprinting", pp.169~173
- Y. Y. Shi, "A robust music retrieval system"