일반기술

특징 벡터 선택 방법 및 장치, 그리고 이를 이용한 음악 장르 분류 방법 및 장치

발명된 특징벡터 선택 알고리즘은 크게 두 가지 과정으로 이루어진다. 첫 번째는 두 개의 장르간의 분리 성능을 측정하기 위한 cost function 계산 하는 부분과 두 번째로 다중 범주 분류에 강인하도록 특징벡터를 선택하는 부분으로 이루어진다. 두 가지 과정을 자세히 설명하면 다음과 같다. 1) 두 개의 장르간의 분리 성능을 측정하기 위한 cost function 계산 하는 부분: 비정규분포를 가지는 특징벡터의 확률 분포를 잘 모델링 하여 분류 성능 향상에 필요한 특징벡터만을 선택하기 위해서 각 범주의 분포를 정규분포로 가정하는 대신 확률 분포를 추정하는 데 많이 사용되고 있는 가우시안 혼합 모델 (Gaussian mixture model)을 이용하였다. 추정된 두 분포에서 서로 겹치는 부분이 잘못 구별될 수 있는 부분이 된다. 특징벡터 선택 알고리즘에 적용할 때 이 부분이 0에 가까울수록 두 분류간의 좋은 분리 성능을 가지게 되고 1에 가까울수록 좋지 않은 분리 성능을 가지게 된다. 여기서 두 분포가 겹치는 부분을 오류 영역 (error area)라고 했을 때 GMM 분리 지수 (GMM separation score)를 다음과 같이 정의한다. 따라서 GMM 분리 지수가 크면 클수록 두 분류간의 분리 성능이 높은 특징벡터가 된다고 할 수 있다. 그림 1에서는 서로 다른 장르의 특징벡터 (valley)의 평균값의 확률 분포와 오류 영역을 나타내고 있다. 이와 같은 확률 분포를 가지는 특징벡터의 오류 영역은 0.25이고 따라서 GMM 분리 지수는 0.75가 된다. 2) 다중 범주 분류에 강인하도록 특징벡터를 선택하는 부분: 기존의 알고리즘은 다중 범주의 모든 거리를 동등하게 평균을 이용하여 분리 성능을 측정하는 반면, 제안된 알고리즘에서는 이전까지 선택된 특징벡터들이 분리를 잘 하지 못하는 범주들을 기준으로 분리 성능을 측정한다. 즉, 그림 2에서 특징벡터 2가 선택되었다면 C1-C2, C1-C3, C2-C3간의 거리를 모두 고려하지 않고 C1-C2간의 분리 성능을 기준으로 다음 특징벡터를 선택한다. 이러한 방법으로 분리가 잘 되지 않는 범주의 분리 성능을 높일 수 있는 특징벡터를 선택해 나감으로써 전체적으로도 향상된 성능을 얻을 수 있다.