음악 감성과 장르 자동 분류를 위한 데이터셋 구축과 평가
Generation and Evaluation of a Dataset for Automatic Music Emotion and Genre Classification
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
급격하게 증가하는 음악화일의 효율적인 검색을 위해서는 신뢰있고 세분화 된 메타데이터가 요구된다. 특히, 음악을 듣는 주요 동기가 기분전환, 추억 등의 감성적 효과를 얻기 위함이므로 음악의 장르적 분류와 함께 감성적 분류도 매우 중요하다. 하지만 모든 감성 관련 응용에서 그렇듯이 사용자의 감성에 맞지 않는 분류나 추천을 주었을 때 그 결과는 다른 오류에 비교하여 더 큰 사용자의 반감과 실망을 초래하기에 감정인식의 정확도는 결정적이다. 전통적인 기계학습 모델에 더하여 최근에는 다양한 심층신경망 모델이 적용되면서 많은 연구 결과들이 보고되고 있다. 하지만 그 모델들의 정확도는 사용된 데이터셋에 제한적일 수 밖에 없고 일반화된 성능평가를 위한 벤치마크 데이터셋에 대한 보고는 아직 없다. 본 논문에서는 음악 감성과 장르 분류를 위한 표준 데이터셋 구축을 위하여 소수 전문가가 아닌 다수 일반인의 온라인 라벨링을 통하여 데이터셋을 구축하고, MPEG-7 오디오 표준에 따르는 특징값들을 추출하였으며, 통계 및 인공신경망 기반의 다양한 기계학습 모델을 적용하여 자동 분류를 수행하고, 그 결과를 통해 제안된 데이터셋의 적합성을 평가한다.
Abstract
Reliable and refined metadata are required for efficient search of rapidly increasing music files. In particular, since the main motive for listening to music is to obtain emotional effects such as mood change and memories, emotion classification along with genre classification of music is very important. However, as in all emotion-related applications, the accuracy of emotion recognition is crucial because when a classification or recommendation that does not fit the user's emotion is given, the result will cause greater user's antipathy and disappointment compared to other errors. In addition to traditional machine learning models, various deep neural network models have recently been applied and many research results have been reported. However, the accuracy of the models is inevitably limited to the dataset used, and benchmark datasets for generalized performance evaluation have not yet been reported. In this paper, as an initial approach towards a “ground-truth” dataset for music emotion and genre classification, we constructed a dataset through labeling of a large number of ordinary people rather than a small number of labellers and extracted features according to MPEG-7 audio standard. Different machine learning models based on statistics and artificial neural network are applied to automatically classify the datasets and we evaluated the suitability of the datasets through the classification results.
참고문헌 (30)
- N. Ndou, "Music Genre Classification: A Review of Deep-Learning and Traditional Machine-Learning Approaches", IEEE Intern. IOT, Electronics and Mechatronics Conf., pp.1~6 (2021)
- Music genre recognition, "K. Kosina", Fachhochschule Hagenberg, ~ (2002)
- JS. Gómez-Cañón, "TROMPA-MER: an open dataset for personalized music emotion recognition", J Intell. Inf. Syst, 60, pp.549~570 (2023)
- N. Patrik, Juslin, "Musical Emotions Explained" (2019), Oxford University Press
- J. Kim, "Emotion recognition based on physiological changes in listening music", IEEE Trans. on Pattern Analysis and Machine Intelligence, 30(12), pp.2067~2083 (2008)
- K. R. Scherer, "Which emotions can be induced by music? what are the underlying : Mechanisms? and how can we measure them?", Journal of New Music Research, 33(3), pp.239~251 (2004)
- Y. Chen, "The AMG 1608 dataset for music emotion recognition", ICASSP 2015, pp.693~697 (2015)
- B. L. Sturm, "A Survey of Evaluation in Music Genre Recognition", Adaptive Multimedia Retrieval, ~ (2012)
- M. Genussov, "Musical genre classification of audio signals using geometric methods", EUSIPCO, pp.497~501 (2010), IEEE
- G. Tzanetakis, "Musical genre classification of audio signals", Speech and Audio Processing, IEEE Transactions, 10(5), pp.293~302 (2002)
- J. Burred, "A Hierarchical Approach To Automatic Musical Genre Classification", Proc. Of the 6 th Int. Conf. on Digital Audio Effects, pp.8~11 (2003)
- S. Brecheisen, "Hierarchical Genre Classification for Large Music Collections", Proceedings of the ICME 2006, pp.1385~1388 (2006)
- 최민국, "특징 벡터의 effectiveness 요소 기반의 가중치 SVM 분류기 연구", 한국차세대컴퓨팅학회 논문지, 9(1), pp.63~73 (2013), 한국차세대컴퓨팅학회
- C. Lee, "Automatic Music Genre Classification using Modulation Spectral Contrast Feature", Multimedia and Expo (2007)
- T. Li, "A Comparative Study on Content-based Music Genre Classification", Proceedings of the 26th ACM SIGIR (2003), ACM
- T. Li, "Automatic musical pattern feature extraction using convolutional neural network", Proc. Int. Conf. Data Mining and Applications (2010)
- T. Lidy, "Parallel convolutional neural networks for music genre and mood classification", MIREX2016 (2016)
- K. Hevner, "Experimental Studies of the Elements of Expression in Music", 47, pp.246~268 (1936)
- R. R. Thayer, "The Biopsychology of Mood and Arousal" (1990), Oxford University Press
- D. Han, "A survey of music emotion recognition", Front. Comput. Sci, 16, pp.166335~ (2022)
- 임명진, "딥러닝 기반 감정인식 성능향상 방법", 한국차세대컴퓨팅학회 논문지, 17(5), pp.88~95 (2021), 한국차세대컴퓨팅학회[DOI]
- 민동진, "음성언어 감정 인식을 위한 시계열 특징추출 및 다양한 순환신경망 모델의 성능비교", 2022 한국차세대컴퓨팅학회 춘계학술대회, pp.173~176 (2022)
- M. Xu, "Multi-scale Approaches to the MediaEval 2015 "Emotion in Music" Task", MediaEval Workshop (2015)
- E. Coutinho, "Automatically estimation emotion in music with deep long-short term memory recurrent neural networks", Working Notes Proceeding of the MediaEval Workshop (2015)
- E. Allamanche, "MPEG-7audio low level descriptors for audio identification", Proposal 6832, ISO, SC29, pp.WG11(MPEG), 2001[DOI]
- D. -N. Jiang, "Music Type Classification by Spectral Contrast Features", Multimedia and Expo, 2002. ICME ’02. Proceedings (2002)
- F. Pedregosa, "Scikit-learn:Machine learning in python", ~ (2018)
- "Keras" (2015)[URL]