Automatische Erkennung von Cover-Versionen und Plagiaten in ...

Weitere Magazine

Empfehlungen

Info

Einleitung 2 entsteht, kann anhand zweier Anwendungen dargestellt werden. Zum einen dient ein System, das automatische Versions-Erkennung beherrscht, der besseren Verwaltung von Musiksammlungen. Im Trivialfall können Duplikate, die aufgrund von unterschiedlichen Dateiformaten und Größen nicht sofort als solche ersichtlich sind, erkannt und eliminiert werden. Der eigentliche Anwendungsfall bezieht sich jedoch auf die Navigation innerhalb großer Musiksammlungen – etwa die Suche nach Disco- oder Karaoke-Versionen eines bestimmten Songs. Zum anderen existiert ein zweiter bedeutender Anwendungsfall der einen juristischen Hintergrund hat. Da Musik als geistiges Eigentum grundsätzlich geschützt ist, besteht für Künstler und Produzenten ein Interesse daran, ob andere Personen Versionen ihrer Musikstücke veröffentlichen. Gerade bei weniger bekannten Interpreten und Titeln, bei denen Plagiate nicht sofort einer breiten Masse an Hörern auffallen, ist ein System, das diese Aufgabe übernimmt von Interesse. Ab welchem Veränderungsgrad ein Song jedoch als eigenständig zu bewerten ist, kann nicht eindeutig beschrieben werden, was die Entwicklung derartiger Systeme zusätzlich erschwert. Im Rahmen dieser Arbeit wurde ein experimenteller Prototyp eines Systems zur Er- kennung von Versionen gleicher Musikstücke entwickelt. Dieser ist so konzipiert, dass sowohl die Methode der Entscheidungsfindung, ob es sich bei zwei Songs um unabhän- gige handelt oder nicht, als auch die Features, die als Grundlage dieser Entscheidung dienen, austauschbar sind. 1.2 Ziele und Beitrag Ziel dieser Arbeit ist die Untersuchung von Methoden zur Erkennung von Cover- Versionen bzw. Plagiaten in moderner Pop- und Rockmusik. In der Literatur sind dazu im Wesentlichen zwei Features beschrieben anhand derer eine diesbezügliche Klassifizie- rung erfolgen kann. Das eine ist die Melodie des Musikstücks, die aus den vorhandenen Daten extrahiert werden muss, das andere das Transposed Harmonic Pitch Class Pro- file. Dabei handelt es sich um eine Reihe an Chroma-Vektoren, die zu jedem Zeitpunkt die relativen Präsenzen aller Töne einer Oktave beschreiben. Das Merkmal ist zudem robust gegenüber Modulationen. Neben dem Vergleich dieser beiden Features besteht ein Beitrag dieser Arbeit dar- in, zwei weitere Features zur Versions-Erkennung vorzustellen. Diese basieren auf den bereits genannten, unterscheiden sich jedoch insofern, als dass jedes Stück nur durch seinen Refrain repräsentiert wird. Die relevanten Passagen innerhalb der Songs werden dabei durch eine zusätzlich durchzuführende Strukturanalyse bestimmt. Obwohl durch
Einleitung 3 diese Vorgehensweise eine erhebliche Datenreduktion stattfindet, kann vermutet werden, dass die Ergebnisse zumindest gleich gut wie bei Betrachtung des gesamten Stücks bleiben. Dies liegt daran, dass der Refrain durch seine oftmaligen Wiederholungen das dominante und somit repräsentativste Motiv innerhalb eines Musikstücks ist. Weiters können bessere Ergebnisse beim Erkennen von Disco-Versionen, bei denen die Stro- phen im Extremfall komplett durch reine Rhythmus-Passagen ersetzt werden, erwartet werden. Ausgehend von diesen Features erfolgt die Entscheidung, ob zwei Songs unabhängig voneinander sind oder nicht. Dazu wird in der Literatur der, aus der Sprachverarbei- tung bekannte Dynamic Time Warp-Algorithmus vorgeschlagen. Dieser erlaubt belie- bige Tempovariationen innerhalb des Stücks und auch Einfügungen oder Auslassungen kompletter Abschnitte. Als weiterer Beitrag wird in dieser Arbeit eine alternative Methode zur Klassifizierung vorgestellt und untersucht. Dabei wird unterstellt, dass aufgrund der gleichbleiben- den Notierung der Interpretationsfreiraum bei Versionen desselben Musikstücks einge- schränkt ist. Die Tempoänderung zwischen dem Original und der Cover-Version wird als konstant angenommen. Als mathematische Grundlage zum Bestimmen der Ähnlich- keit zweier Stücke unter dieser Voraussetzung eines linearen Zeitzusammenhangs dienen Ähnlichkeitsmatrizen sowie die Hough-Transformation zum Finden des dominantesten Pfades durch diese Matrizen entlang einer Geraden. 1.3 Aufbau Zu Beginn dieser Arbeit werden in Kapitel 2 einige wichtige Grundlagen behandelt. Zum einen wird dabei beschrieben, auf welche unterschiedliche Arten Versionen eines Musikstücks entstehen und wie sich diese auf das jeweilige Audio-Signal auswirken, was vor allem der Verdeutlichung der Aufgabenstellung dient. Zum anderen werden wichtige Grundlagen der Musik vorgestellt und deren Repräsentation in maschinenverarbeitbarer Form erläutert. Die weitere Arbeit orientiert sich am eigentlichen Arbeitsablauf zur Versions- Erkennung. In Kapitel 3 wird der Schritt der Feature Extraktion beschrieben. Begonnen wird dabei mit allgemeinen Methoden der Spektralanalyse (Abschnitt 3.2), die als Re- sultat die dominierenden Frequenzen zu jedem Zeitpunkt in einem Musikstück liefern. Diese werden dann bezüglich ihrer Referenzfrequenz normiert um einheitliche Stimmun- gen zu erreichen (Abschnitt 3.3). Nach dieser allgemeinen Vorverarbeitung erfolgt die Berechnung der eigentlichen Features – des THPCPs (Abschnitt 3.4 und 3.5) sowie der
Seite 1 und 2: Automatische Erkennung von Cover-Ve
Seite 3 und 4: Abstract This thesis is dedicated t
Seite 5 und 6: Inhaltsverzeichnis IV 3.5 Transpose
Seite 7 und 8: Abbildungsverzeichnis VI 3.15 Modif
Seite 9: Einleitung 1 1 Einleitung Die vorli
Seite 13 und 14: Grundlagen 5 2 Grundlagen Dieses Ka
Seite 15 und 16: Grundlagen 7 Typ III: Stimmen Bei d
Seite 17 und 18: Grundlagen 9 Kritische Bänder Im m
Seite 19 und 20: Grundlagen 11 Betrachtet man die mu
Seite 21 und 22: Grundlagen 13 Abbildung 2.7: Flache
Seite 23 und 24: Grundlagen 15 Abbildung 2.11: Empir
Seite 25 und 26: Grundlagen 17 Abbildung 2.15: Dreik
Seite 27 und 28: Feature Extraktion 19 3.1 Arbeitsab
Seite 29 und 30: Feature Extraktion 21 3.2 Spektrala
Seite 31 und 32: Feature Extraktion 23 3.2.3 Fenster
Seite 33 und 34: Feature Extraktion 25 Name b SNR De
Seite 35 und 36: Feature Extraktion 27 (a) (b) (c) A
Seite 37 und 38: Feature Extraktion 29 zur Berechnun
Seite 39 und 40: Feature Extraktion 31 e(t) ist dabe
Seite 41 und 42: Feature Extraktion 33 sich am mensc
Seite 43 und 44: Feature Extraktion 35 3.2.8.3 Simul
Seite 45 und 46: Feature Extraktion 37 (a) (b) (c) A
Seite 47 und 48: Feature Extraktion 39 di = ∆i −
Seite 49 und 50: Feature Extraktion 41 Frequenz devn
Seite 51 und 52: Feature Extraktion 43 Abbildung 3.1
Seite 53 und 54: Feature Extraktion 45 wird. Alterna
Seite 55 und 56: Feature Extraktion 47 Abbildung 3.1
Seite 57 und 58: Feature Extraktion 49 einem ringfö
Seite 59 und 60: Feature Extraktion 51 Die Methode g
Seite 61 und 62:
Feature Extraktion 53 Gewonnen wird
Seite 63 und 64:
Feature Extraktion 55 begründet li
Seite 65 und 66:
Feature Extraktion 57 a und b stehe
Seite 67 und 68:
Feature Extraktion 59 1. Expectatio
Seite 69 und 70:
Feature Extraktion 61 3.6.1.4 Erwei
Seite 71 und 72:
Feature Extraktion 63 analyse der z
Seite 73 und 74:
Feature Extraktion 65 Abbildung 3.1
Seite 75 und 76:
Feature Extraktion 67 3.7 Struktura
Seite 77 und 78:
Feature Extraktion 69 Die Ähnlichk
Seite 79 und 80:
Seite 81 und 82:
Feature Extraktion 73 einander verg
Seite 83 und 84:
Seite 85 und 86:
Feature Extraktion 77 Ausrichtung z
Seite 87 und 88:
Klassifizierung 79 jedoch von solch
Seite 89 und 90:
Klassifizierung 81 4.2 Dynamic Time
Seite 91 und 92:
Klassifizierung 83 bale Tempo kann
Seite 93 und 94:
Klassifizierung 85 Eine Änderung d
Seite 95 und 96:
Resultate und Perspektiven 87 • H
Seite 97 und 98:
Resultate und Perspektiven 89 Titel
Seite 99 und 100:
Resultate und Perspektiven 91 Abbil
Seite 101 und 102:
Resultate und Perspektiven 93 Grund
Seite 103 und 104:
Literaturverzeichnis 95 Literaturve
Seite 105 und 106:
Literaturverzeichnis 97 Processing,
Seite 107 und 108:
Literaturverzeichnis 99 [48] Steven
Seite 109:
Eidesstattliche Erklärung 101 Eide
Alle anzeigen

Automatische Erkennung von Cover-Versionen und Plagiaten in ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?