Analyzing feature trajectories for audio content discrimination

• Autorzy: Mąka T.

Warianty tytułu

PL

Analiza trajektorii cech w zadaniach dyskryminacji danych akustycznych

• Języki publikacji: EN

Abstrakty

EN

The paper presents an approach to classification of audio data using properties derived from low-level features. The new descriptors based on peakiness of the feature trajectory, and the crossing points between two selected trajectories. Calculated features are exploited in wrapper-based selection process and Support Vector Machines are employed to the speech/music classification problem. The obtained results show that proposed approach can be applied to perform audio classification in efficient manner.

PL

Podejście do klasyfikacji akustycznej przedstawione w pracy wykorzystuje charakterystykę zmienności cech niskopoziomowych. Wykorzystano własności występowania szczytów w trajektoriach cech oraz własności punk­tów przecięć pomiędzy dwoma wybranymi trajektoriami cech. Uzyskane w ten sposób deskryptory poddano selekcji z użyciem algorytmu wykorzystującego maszyny wektorów nośnych SVM dla problemu klasyfikacji sygnałów mowy i muzyki. Pokazano, że proponowane podejście i użyte cechy pozwalają uzyskać wysoką skuteczność klasyfikacji.

Słowa kluczowe

EN

feature trajectories; feature selection; audio classification; SVM

PL

trajektorie cech; wybór cech; klasyfikacja akustyczna; SVM

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2011
• Tom: Vol. 52, nr 10
• Strony: 157--159
• Opis fizyczny: Bibliogr. 11 poz., wykr.

Twórcy

autor

Mąka T.

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

Bibliografia

• [1] Patsis, Y. And W. Verheist: A Speech/Music/Silence/Garbage Classifier for Searching and Indexing Boradcast News Material. DEXA 08 Proceedings of the 2008 19th International Conference on Database and Expert Systems Application, 2008.
• [2] Ellis, D. and K. Lee: Accessing Minimal-Impact Presonal Audio Archives. IEEE MultiMedia 13(4): 30-38, 2006.
• [3] Ruiz-Reyes N., et. al.: New speech/music discrimination approach based on fundamental frequency estimation. Multimedia Tools and Applications, Mulimedia Tools ans Applications, Volume 41, Issue 2, 2009.
• [4] Alexandre E., et. al.: Speech/Music/Noise Classification in Hearing Aids Using A Two-Layer Classification System With MSE Linear Discriminants. EUSIPCO 2008, 16th European Signal Proccesing Conference, Lausanne, Switzerland 1-6, 2008.
• [5] Giannakopoulos T. and A. Pikrakis and S. Theodordis: A Novel Efficient Approach for Audio Segmentation. 19th International Conference on Pattern Recognition, ICPR'08, Tampa, FL, December, 2008.
• [6] Lopes J. and C. Lin and S. Singh: Multi-stage Classification for Audio Based Recognition. International Conference on Inteligent Data Engneering and Automated Learning No 7, Burgos, ESPAGNE'06, vol. 4224, pp. 832-840, 2006.
• [7] Kim Y. and S. J. An and R. M. Kil: Zero-Crossing Based Time-Frequency Masking for Sound Segregation. Neutral Information Processing - Letters and Reviews, 10(4): 125-134, 2006.
• [8] Mierswa I. And K. Moril: Automatic Feature Extraction for Classifying Audio Data, Machine Learning, Volume 58, Issue 2-3, February, 2005.
• [9] Krishnamoorthy P. and Kumar Sarvesh: Hierrchical audio content classification system using support an optimal feature selection algorithm. Multimedia Tools and Applications, 2010.
• [10] Lu L. and H. Zhang and S. Li: Content-based audio classification and segmentation by using support vector machines. Multimedia Systems Volume 8, Issue 6, 2003.
• [11] Folland G.: Real Analysis: Modern Techniques and Their Applications. John Wiley & Sons, INC., 1999.