| 1 |
1
음원을 입력받는 입력부;상기 입력부에 입력된 음원의 Short-term 특징 벡터를 추출하는 Short-term 특징 추출부;상기 Short-term 특징 벡터를 이용하여 Long-term 특징 벡터를 추출하는 Long-term 특징 추출부;상기 Short-term 또는 Long-term 특징 벡터 중에서 인식률이 기준값보다 높은 상위 특징 벡터를 선택하는 특징 선택부;상기 선택된 상위 특징 벡터를 이용하여 음악의 장르별 모델을 생성하는 모델 생성부; 및상기 장르별 모델을 기반으로 입력된 테스트 음악의 장르를 분류하는 장르 분류부를 포함하며, 상기 특징 선택부는,SVM(Support Vector Machine) ranker를 이용하여 상기 상위 특징 벡터를 선택하고,상기 장르 분류부는,One-against-one SVM(Support Vector Machine)를 이용하여 상기 테스트 음악의 장르를 분류하며, 상기 Long-term 특징 벡터는,FMSC(Feature-based Modulation Spectral Contrast), FMSV(Feature-based Modulation Spectral Valley) 중에서 적어도 하나를 포함하며,상기 FMSC 및 FMSV는 아래 수학식으로 정의되는 음악 장르 분류 장치
|
| 2 |
2
제 1항에 있어서,상기 Short-term 특징 벡터는,MFCC(Mel-Frequency Cepstral Coefficient), DFB(Decorrelated Filter Bank), OSC(Octave-based Spectral Contrast) 중에서 적어도 하나를 포함하는 음악 장르 분류 장치
|
| 3 |
3
제 1항에 있어서,상기 Short-term 특징 벡터는,texture window 기법을 이용하여 추출되는 통계적 특징 벡터를 더 포함하되,상기 통계적 특징 벡터는 평균값, 분산값, 최대값, 최소값 중에서 적어도 하나를 포함하는 음악 장르 분류 장치
|
| 4 |
4
제 1항에 있어서,상기 Long-term 특징 벡터는,FMS(Feature-based Modulation Spectrum)를 이용하여 추출되는 FMSFM(Feature-based Modulation Spectral Flatness Measures), FMSCM(Feature-based Modulation Spectral Crest Measures) 중에서 적어도 하나를 포함하며,상기 FMSFM 및 FMSCM은 아래 수학식으로 정의되는 음악 장르 분류 장치
|
| 5 |
5
삭제
|
| 6 |
6
제 4항에 있어서,상기 FMS 및 상기 FMS의 평균은,아래 수학식으로 정의되는 음악 장르 분류 장치:여기서, T는 총 texture window의 수이고, Xt(k,p)는 t번째 texture window내의 p번째 프레임의 Short-term 특징의 k번째 요소이고, Pi는 t번째 texture window 내에 속한 프레임의 총수이고, M은 Modulation Fourier-transform의 크기이다
|
| 7 |
7
제 1항에 있어서,상기 Long-term 특징 벡터는,통계적 특징을 더 포함하되,상기 통계적 특징은 평균값, 분산값, 최대값, 최소값 중에서 적어도 하나를 포함하는 음악 장르 분류 장치
|
| 8 |
8
제 1항에 있어서,상기 장르 분류부는,분류 대상이 되는 상기 테스트 음악이 입력되면, 상기 테스트 음악에 대하여 상기 상위 특징 벡터에 해당하는 특징 벡터를 추출하고, 상기 추출된 특징 벡터를 기초로 상기 장르별 모델과 비교하여 상기 입력된 테스트 음악의 장르를 분류하는 음악 장르 분류 장치
|
| 9 |
9
삭제
|
| 10 |
10
음악 장르 분류 장치를 이용한 음악 장르 분류 방법에 있어서,입력된 음원에 대해 Short-term 특징 벡터를 추출하는 단계;상기 Short-term 특징 벡터를 이용하여 Long-term 특징 벡터를 추출하는 단계;상기 Short-term 또는 Long-term 특징 벡터 중에서 인식률이 기준값보다 높은 상위 특징 벡터를 선택하는 단계; 및상기 선택된 상위 특징 벡터를 이용하여 음악의 장르별 모델을 생성하는 단계;상기 장르별 모델을 기반으로 입력된 테스트 음악의 장르를 분류하는 단계를 포함하며,상기 상위 특징 벡터를 선택하는 단계에서,SVM(Support Vector Machine) ranker를 이용하여 특징을 선택하고,상기 장르별 모델을 기반으로 입력된 음악의 장르를 분류하는 단계에서,One-against-one SVM(Support Vector Machine)를 이용하여 상기 테스트 음악의 장르를 분류하며, 상기 Long-term 특징 벡터는,FMSC(Feature-based Modulation Spectral Contrast), FMSV(Feature-based Modulation Spectral Valley) 중에서 적어도 하나를 더 포함하며,상기 FMSC 및 FMSV는 아래 수학식으로 정의되는 음악 장르 인식 방법
|
| 11 |
11
제 10항에 있어서,상기 Short-term 특징 벡터는,MFCC(Mel-Frequency Cepstral Coefficient), DFB(Decorrelated Filter Bank), OSC(Octave-based Spectral Contrast) 중에서 적어도 하나를 포함하는 음악 장르 분류 방법
|
| 12 |
12
제 10항에 있어서,상기 Short-term 특징 벡터는,texture window 기법을 이용하여 추출되는 통계적 특징 벡터를 더 포함하되,상기 통계적 특징 벡터는 평균값, 분산값, 최대값, 최소값 중에서 적어도 하나를 포함하는 음악 장르 분류 방법
|
| 13 |
13
제 10항에 있어서,상기 Long-term 특징 벡터는,FMS(Feature-based Modulation Spectrum)를 이용하여 추출되는 FMSFM(Feature-based Modulation Spectral Flatness Measures), FMSCM(Feature-based Modulation Spectral Crest Measures) 중에서 적어도 하나를 포함하며,상기 FMSFM 및 FMSCM은 아래 수학식으로 정의되는 음악 장르 분류 방법
|
| 14 |
14
삭제
|
| 15 |
15
제 13항에 있어서,상기 FMS 및 상기 FMS의 평균은,아래 수학식으로 정의되는 음악 장르 분류 방법:여기서, T는 총 texture window의 수이고, Xt(k,p)는 t번째 texture window내의 p번째 프레임의 Short-term 특징의 k번째 요소이고, Pi는 t번째 texture window내에 속한 프레임의 총수이고, M은 Modulation Fourier-transform의 크기이다
|
| 16 |
16
제 10항에 있어서,상기 Long-term 특징 벡터는,통계적 특징을 더 포함하되,상기 통계적 특징은 평균값, 분산값, 최대값, 최소값 중에서 적어도 하나를 포함하는 음악 장르 분류 방법
|
| 17 |
17
제 10항에 있어서,상기 장르별 모델을 기반으로 입력된 음악의 장르를 분류하는 단계는,분류 대상이 되는 상기 테스트 음악이 입력되면, 상기 테스트 음악에 대하여 상기 상위 특징 벡터에 해당하는 특징 벡터를 추출하는 단계; 및상기 추출된 상위 특징 벡터를 기초로 상기 장르별 모델과 비교하여 상기 테스트 음악의 장르를 분류하는 단계를 포함하는 음악 장르 분류 방법
|
| 18 |
18
삭제
|
