지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김형주
- 발행연도
- 2021
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
매주 새로운 음악이 발표되고 사용자는 검색을 통해 일부 음악에 노출되고 선택하게 된다. 따라서 음악 검색은 음악 소비에 있어 중요한 역할을 한다. 메타데이터나 태그를 활용하는 기존 음악 라이브러리에서의 검색은 사람이 개입하여 태그를 삽입해야 하는 문제가 있다. 이를 위한 방법으로 오디오 컨텐츠를 활용하여 자동으로 태그를 생성하거나, 검색에 이용하는 방식이 사용되었다. 오디오 컨텐츠를 이용한 음악 검색의 분야 중 하나인 오디오 매칭에서는 신경망을 이용하여 음악 또는 가수의 잠재적 표현을 학습하는 연구가 진행되었다. 이때, 어쿠스틱 피처를 신경망의 입력으로 이용하게 되면, 어쿠스틱 피처 구성을 위해 사용한 시간 해상도에 따라 시간 차원의 변화 폭이 커지는 문제가 발생한다. 본 논문에서는 이를 해결하기 위해 어쿠스틱 피처를 기반으로 그래프를 구성하고, 그래프 임베딩 기법을 활용한 오디오 컨텐츠 기반 임베딩 방법을 제안한다. 제안하는 모델은 Siamese 네트워크의 구조를 가지며, 두 음악 잠재 벡터의 차이를 이용하여 두 음악 사이의 유사도를 학습하도록 한다. 이를 통해 새로운 음악에 관한 유사도 결과도 추가 학습 없이 도출할 수 있도록 한다. 마지막으로 실험을 통해 기존 연구 대비 제안하는 방식의 효용성을 입증하였다.
목차
제 1 장 서론 1제 2 장 관련 연구 72.1 신경망 활용 연구 71. Hamel et al. 72. Deep Music 83. Hybrid HLDBN 84. IMINET 92.2 그래프 임베딩 91. 그래프 콘볼루션 102. 그래프 어텐션 네트워크 103. SimGNN 112.3 One-shot 12제 3 장 음악 유사도 점수 계산 모델 133.1 기존 방법의 한계 133.2 모델 구조 161. 그래프 추출 182. 그래프 임베딩 및 유사도 점수 계산 모델 193.3 실험 221. 데이터 셋 222. 구현 233. 실험 결과 243.4 모델 확장 및 활용 방안 25제 4 장 제안 모델 274.1 배경 지식 271. 오디오 식별 272. 오디오 매칭 284.2 기존 모델의 한계 304.3 모델 구조 324.4 실험 351. 실험환경 362. 데이터 셋 363. 구현 374. 실험 결과 39제 5 장 결론 및 향후 연구 44참고문헌 46부록 50Abstract 55
최근 본 자료
댓글(0)
0