Random Forestを用いた音楽ジャンル分類

• Item type: Journal(1)
• 公開日: 2009-12-15
• タイトル: Random Forestを用いた音楽ジャンル分類
• タイトル / 言語: en
• タイトル: Music Genre Classification Using Random Forest
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 特集：エンタテインメントコンピューティング
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 慶應義塾大学大学院理工学研究科開放環境科学専攻／現在，英国クイーンズ大学博士課程
• 著者所属: 慶應義塾大学大学院理工学研究科開放環境科学専攻
• 著者所属(英): en
• 著者所属(英): School of Science for Open and Environmental Systems, Keio University / Presently with School of Music and Sonic Arts, Queen's University
• 著者所属(英): en
• 著者所属(英): School of Science for Open and Environmental Systems, Keio University
• 著者名: 新妻, 雅弘; 斎藤, 博昭
• 著者名(英): Masahiro, Niitsuma; Hiroaki, Saito
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本論文はRandom Forestを分類器とし，高次元の特徴量を用いた音楽ジャンル分類について述べる．従来の研究は，特定の音楽ジャンルに限られた特徴量，単旋律に関わる特徴量のみを用いており，広範な音楽ジャンル分類には対応できない．また，特徴量すべてについてチューニングを行うことで高い精度を得ている研究も多いが，ある音楽ジャンル分類に最適化したチューニングは過学習の問題からそのほかの音楽ジャンル分類にはそのまま適用できない．そこで本研究では，広範なジャンルを考慮した1,022次元の特徴量を用い，高次元，低サンプル数の問題に強いとされるRandom Forestを分類器とすることでチューニングをすることなく幅広い音楽ジャンルの分類に対応する手法を提案する．また，Out-Of-Bagデータを用いることで分類の際に重要な役割を果たしている特徴量を分析し，音楽ジャンル分類というタスクのメカニズムの解明に足がかりを与える．実験の結果，提案手法による分類精度はRootデータセットに対して97%，Leafデータセットに対して84%となり，チューニングを行っている先行研究と同等以上となった．また，訓練データに用いるサンプル数と精度の関係を検証した結果，提案手法がサンプル数の減少に対して優れた性能を持つことが示された．さらに，Out-Of-Bagデータを用いた変数の重要性推定に基づいた特徴量選択により，RootデータセットおよびLeafデータセットの各々のジャンル分類に固有な特徴量を分析できることを示した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: This paper proposes a music genre classification method using highdimensional features and Random Forest. Most of the previous work uses features designed to be adapted to only a limited range of music genres because of the data sparseness problem and tunes parameters in order to achieve high accuracy. However, feature selection often leads to over fitting and tuning parameters each time is not practical. In this paper, we propose music genre classification method using 1,022-dimensional features designed to be adapted to a wide range of music genres and Random Forest that easily handles highdimensional features. Moreover, variable importance is estimated using out-ofbag data to clarify the mechanism of music genre classification. The proposed method has achieved 97% accuracy in root genre classification and 84% in leaf genre classification, which are favorable compared to other methods especially when the number of training samples is small. Moreover, variable importance estimation using out-of-bag data sheds new light on mechanism of music genre classification.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 50, 号 12, p. 2910-2922, 発行日 2009-12-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764