Boosting classifiers for automatic music genre classification
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
BOOSTING CLASSIFIERS FOR AUTOMATIC MUSIC GENRECLASSIFICATIONbyUlaş Bağcıs gA Thesis Submitted to theGraduate School of Engineeringin Partial Fulï¬llment of the Requirements forthe Degree ofMaster of ScienceinElectrical & Computer EngineeringKoş UniversitycSeptember,2005üOZETCEşMüzik türlerinin sınıï¬andırılması, müzik bilgi erişimi sistemlerinde ve farklı medya or-u u u sütamlarında ünemli bir araş olarak kullanılmaktadır. Oznitelik şıkarma ve sınıï¬andırıcıo c ctasarımı müzik türlerinin sınıï¬andırılmasında iki onemli problem olarak karşımıza şıkmaktadır.u u s cBu tezde, istatistiksel olarak daha iyi sınıï¬andırıcı oluşturabilmek icin Gauss karışımı modellis s(GMM) sınıï¬andırıcıların farklılıklar güzetilerek yükseltilmesi (Boosting) ve müzik türleri-o u u uarası benzerliklerini(IGS) kullanarak yükseltme algoritmasına alternatif bir yüntem sunul-u omaktadir. Sınıï¬andırıcı yükseltilmesi, her bir eğitilmiş sınıï¬andırıcıda sınıï¬andırılmasi zoru g solan ürneklerin yeniden modellenmesi ve yeni modellenen bu sınıï¬andırıcıların ardısık olarakobirleştirilmesi ile sağlanır. Bu tezde, gauss karışım modellerinin en büyük olabilirlik kestirimines g s uudayanan eğitim yünteminin sınıï¬andırıcı yükseltme yapısına uyumunu sağlayan yeni birg o u gteknik sunulmaktadir. Sınıï¬andırıcı yükseltilmesi düsüncesinden yola cıkarak geliştirdiğimizu uu s gIGS düzeneğinde ise, benzer kesişim üznitelik vektürleri olarak adlandırdığımız yanlış sınıï¬andırılanu g so o g svektürler biraraya geldikten sonra gauss karışımlarıyla yeniden modellenir ve müzik türlerio s u uarasındaki bozulma oranının düsük olması işin test aşamasında yanlış tanınan ürnekleruu c s s osistemden atılır. Tezin son kısmında ise müzik türlerinin birbirine benzerliklerini Euclidian-u uuzaklığı esas alarak otomatik bir şekilde bulan bir yüntem geliştirilmiştir.g s o s sii BOOSTING CLASSIFIERS FOR AUTOMATIC MUSIC GENRECLASSIFICATIONbyUlaş Bağcıs gA Thesis Submitted to theGraduate School of Engineeringin Partial Fulï¬llment of the Requirements forthe Degree ofMaster of ScienceinElectrical & Computer EngineeringKoş UniversitycSeptember,2005ABSTRACTMusic genre classiï¬cation is an important tool for music information retrieval systemsand has been ï¬nding important applications in various media platforms. Two importantproblems of the automatic music genre classiï¬cation are feature extraction and classiï¬er de-sign. There are recent works on these problems with promising future research directions.This thesis investigates discriminative boosting of classiï¬ers to improve the automatic musicgenre classiï¬cation performance. Two-class of classiï¬ers, boosting of the Gaussian mixturemodel based classiï¬ers and classiï¬ers that are using the inter-genre similarity information,are proposed. Boosting is a technique that combines sequentially trained classiï¬ers, wherein each new classiï¬er a better modeling of hard-to-classify samples is done, and the over-all performance is boosted in the combined classiï¬er. In this thesis a novel extension isproposed to the maximum-likelihood based training of the Gaussian mixtures to integrateGMM classiï¬er into boosting architecture. Later, the boosting idea is modiï¬ed to bettermodel the inter-genre similarity information over the mis-classiï¬ed feature population. Oncethe inter-genre similarities are modeled, elimination of the inter-genre similarities reducesthe inter-genre confusion and improves the identiï¬cation rates. Finally, an auto-clusteringscheme is build to determine similar music genre types for hierarchical classiï¬er structure.Experimental results with promising identiï¬cation improvements are provided.ii
Collections