메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
Babu Kaji Baniya (전북대학교) 이준환 (전북대학교)
저널정보
차세대컨버전스정보서비스학회 차세대컨버전스정보서비스기술논문지 차세대컨버전스정보서비스기술논문지 제4권 제2호
발행연도
2015.1
수록면
51 - 64 (14page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
Music genre and mood classifications are vital components of the field of multimedia retrieval and computational musicology. There is a growing interest in their development to address the difficulties of music categorization. The proposed method finds the unlabeled mood of a music genre with the help of labeled music mood datasets using different audio feature sets. Semi-supervised learning, which exploits huge amounts of unlabeled data, together with the limited labeled data for learning, has attracted a great deal of research interests. In this paper, we propose diverse audio features to precisely characterize music content. The feature sets belong to four groups: dynamic, rhythmic, spectral, and harmonic. A bin histogram was calculated from each feature to preserve all the important information associated with it. From the extracted audio features, we first tried to find the unlabeled mood of a music genre by using the labeled mood dataset. Harmonic and consistency (local and global) semi-supervised learning algorithms were considered to determine the unknown mood label of a music genre. In the next stage, we also evaluated whether unlabeled genre datasets would influence the mood classification accuracy. The unlabeled datasets were added to the training set in different proportions, so that the overall impact on classification accuracy could be analyzed. We improved the classification accuracy using an unlabeled music genre dataset in training. In the last section, we verified the classification accuracy by adding an unlabeled genre dataset to label mood with only the mood dataset (without adding a genre dataset).

목차

등록된 정보가 없습니다.

참고문헌 (19)

참고문헌 신청
X. Zhu / 2008 / Semi-supervised learning literature survey google schola P. K. Mallapragada / 2009 / Semiboost: Boosting for semi-supervised learning / Pattern Analysis and Machine Intelligence, IEEE Transactions 31(11):2000~2014 google schola Z. -H. Zhou / 2010 / Semi-supervised learning by disagreement / Knowl. Inf. Syst. 24(3):415~439 google schola O. Chapelle / 2006 / Semi-Supervised Learning / MIT Press google schola T. Joachims / 1999 / Transductive inference for text classification using support vector machines / Proc. 16th Int. Conf. Mach. Learn. :200~209 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0