Journal of the Institute of Electronics Engineers of Korea CI (전자공학회논문지CI)

The Institute of Electronics and Information Engineers (대한전자공학회)
권호 표지

Advanced Multistage Feature-based Classification Model

진보된 다단계 특징벡터 기반의 분류기 모델

  • Received : 2010.04.05
  • Accepted : 2010.04.30
  • Published : 2010.05.25
Download PDF
⟨ Previous Next ⟩

Abstract

An advanced form of Multistage Feature-based Classification Model(AMFCM), called AMFCM, is proposed in this paper. AMFCM like MFCM does not use the concatenated form of available feature vectors extracted from original data to classify each data, but uses only groups related to each feature vector to classify separately. The prpposed AMFCM improves the contribution rate used in MFCM and proposes a confusion table for each local classifier using a specific feature vector group. The confusion table for each local classifier contains accuracy information of each local classifier on each class of data. The proposed AMFCM is applied to the problem of music genre classification on a set of music data. The results demonstrate that the proposed AMFCM outperforms MFCM by 8% - 15% on average in terms of classification accuracy depending on the grouping algorithms used for local classifiers and the number of clusters.

본 논문에서는 다단계 특성벡터 기반의 분류기 모델(Multistage Feature-based Classification Model: MFCM)의 성능을 향상시킨 진보된 형태의 MFCM (Advanced MFCM: AMFCM)을 제안하는데, AMFCM은 MFCM과 같이 주어진 데이터에서 추출된 전체의 특징벡터를 연결하여 이용하지 않고, 같은 성질의 특징벡터들끼리 모아서, 각각의 국지적 학습기를 통하여 분류에 이용한다. 그러나, AMFCM은 MFCM에서 사용되는 각각의 국지적 분류기를 위한 각 특징벡터의 분류기여도를 더욱 섬세하게 조정하여 최종적인 분류의 정확도를 높이는 방안을 제안한다. 제안된 AMFCM의 성능을 검증하기 위하여, 음악장르 분류의 문제에 대한 실험을 진행하였다. 또한, 국지적 분류기로 Self-Organizing Map과 중심 신경망을 사용하여 실험을 수행하였는데, 제안된 AMFCM은 사용된 국지적 분류기의 종류와 사용된 군집의 개수에 따라 기존의 MFCM에 비해 평균 8% - 15% 이상의 성능향상을 보여 준다.

Keywords

References

  1. K. Kim, S. Kim, J. Jeon, K. Park,"Quick Audio Retrieval Using Multiple Feature Vectors," IEEE Trans. Consumer Electronics. V. 52, No.1, 2006.
  2. 송영수,박동철,"다단계 특징벡터 기반의 분류기 모델,"전자공학회논문지, 46권,CI편 1호, 121-127쪽, 2009.
  3. E. Wold, T. Blum, D., Keislar, and J. Wheaton, "Content-based classification, search, and retrieval of audio", IEEE Trans. Multimedia, V.3, No.3, pp 27-36. 1996. https://doi.org/10.1109/93.556537
  4. J. Foote, "Content-based retrieval of music and audio", Proc. SPIE, Multimedia Storage and Archiving Systems, pp 138-147. 1997.
  5. 정성윤, 김민성, 손종목, 배건성,"PCA-optimized 필터뱅크 기반의 MFCC 특징파라미터 추출 및 한국어 4연숫자 전화음성에 대한 인식실험,"전자공학회논문지, 제41권 SP편, 6호, 279-2839쪽, 2004년 6월
  6. 박찬응, "은닉 마코프 모델과 켑스트럴 계수들에 따른 한국어 속삭임의 인식 비교," 전자공학회논문지, 제43권 IE편, 제2호, 22-29쪽, 2006.
  7. G. Li, and A. Khokar, "Content-based indexing and retrieval of audio data using wavelets", Proc. Int. Conf. Multimedia Expo. pp 885-888. 2000.
  8. G. Tzanetakis, and P. Cook, "Musical genre classification of audio signals", IEEE Trans. Speech Audio Process.V. 10, No.5, pp. 293-302, 2002. https://doi.org/10.1109/TSA.2002.800560
  9. T. Kohonen, "The Self-Organizing Map", Proc. IEEE, Vol. 78. pp 1464-1480. 1990. https://doi.org/10.1109/5.58325
  10. D. Park, "Centroid Neural Network for Unsupervised Competitive Learning", IEEE Trans. Neural Networks, V.11, pp.520-528, 2000. https://doi.org/10.1109/72.839021
  11. D.-C. Park et al., "Centroid Neural Network with a Divergence Measure for GPDF Data Clustering ", IEEE Trans. Neural Networks, V.19, No. 6, pp 948-957. 2008.