Automatische Erkennung von Cover-Versionen und Plagiaten in ...
Automatische Erkennung von Cover-Versionen und Plagiaten in ...
Automatische Erkennung von Cover-Versionen und Plagiaten in ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Feature Extraktion 64<br />
• Notenlänge: Berechnet wird e<strong>in</strong> Histogramm über die Längen aller Noten. Die<br />
e<strong>in</strong>zelnen Klassen unterscheiden sich dabei um m<strong>in</strong>destens 10%.<br />
Alternativ zu den Entropien dieser drei Features bzw. Komb<strong>in</strong>ationen daraus, wird<br />
die Komprimierbarkeit als Maß für Komplexität vorgeschlagen. Der Vorteil dieses Ma-<br />
ßes besteht <strong>in</strong> der zusätzlichen Berücksichtigung wiederkehrender Strukturen, die die<br />
Komplexität verr<strong>in</strong>gern.<br />
Der Ansatz geht jedoch da<strong>von</strong> aus, dass e<strong>in</strong>zelne Stimmen bekannt <strong>und</strong> <strong>von</strong>e<strong>in</strong>ander ge-<br />
trennt s<strong>in</strong>d. Diese Annahme ist bei MIDI-Dateien als E<strong>in</strong>gabe gegeben, nicht jedoch bei<br />
direkter Analyse der Audiosignale. Die Methode ist daher im gegebenen Kontext nicht<br />
direkt anwendbar – könnte jedoch dennoch verwendet werden um die Entscheidung<br />
zwischen mehreren Kandidaten auf die Melodie – so wie sie <strong>in</strong> allen zuvor vorgestellten<br />
Verfahren zu treffen ist – zu unterstützen.<br />
Daneben existiert noch e<strong>in</strong>e Reihe weiterer Ansätze zur Melodieerkennung, die teilweise<br />
auf komplett anderen Ansätzen basieren. E<strong>in</strong> Beispiel dafür ist die <strong>in</strong> [23] vorgeschlagene<br />
Methode, die auf Self-Organiz<strong>in</strong>g Neural Networks (SONNETs) aufbaut. Aufgr<strong>und</strong> der<br />
guten Dokumentation sowie der direkten Anwendbarkeit ist die Implementierung im<br />
Rahmen dieser Arbeit jedoch an das PreFEst Verfahren laut [20] angelehnt.<br />
3.6.3 Resultate<br />
Die Test-Implementierung, die im Zuge dieser Arbeit entwickelt wurde, orientiert sich<br />
an der vorgestellten PreFEst Methode. Allerd<strong>in</strong>gs galt es – wie <strong>in</strong> Abbildung 3.1 zu<br />
Beg<strong>in</strong>n des Kapitel 3 dargestellt – Synergieeffekte zwischen den Berechnungen der bei-<br />
den Features – THPCP-Vektoren sowie der Melodie – auszunutzen. So fand etwa die<br />
Berechnung der STFT oder der Kandidaten-Peaks nicht, wie <strong>in</strong> Abschnitt 3.6.1 vorge-<br />
stellt, statt. Alternativ dazu s<strong>in</strong>d es Codesegmente aus der HPCP-Berechnung, die hier<br />
wiederverwendet wurden.<br />
Zum Test wurde die annotierte Referenzsammlung des Melody Extraction Contest 6 der<br />
ISMIR 2004 herangezogen. Diese besteht aus zehn kurzen Stücken unterschiedlicher<br />
Stilrichtungen. In Abbildung 3.17 ist das Ergebnis der ermittelten Melodie im Vergleich<br />
zur tatsächlichen dargestellt. Die gelbe L<strong>in</strong>ie ist dabei die tatsächliche – die weiße die<br />
geschätzte Melodie. Die Grafik im H<strong>in</strong>tergr<strong>und</strong> stellt die jeweilige Stärke der gerade<br />
vorhandenen Stimmen dar.<br />
6 http://ismir2004.ismir.net/melody contest/results.html