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

Klassifizierung 79
jedoch von solchen Versionen als Grundwahrheit aus, die offiziell als solche bezeich-
net werden, so kann anhand von Trainingsdaten ein sinnvoller Schwellwert für jede
geeignete Kombination aus Feature und Klassifizierungsmethode ermittelt werden. Im
Folgenden werden nun zwei Ansätze zur Klassifizierung vorgestellt.
Der eine stammt aus [18] und beschreibt direkt die Verwendung des in Kapitel 3.4 vorge-
stellten HPCP-Features sowie des um Transpositions-Robustheit erweiterten THPCP-
Features aus Abschnitt 3.5 zur Cover-Versions-Erkennung basierend auf dem Dynamic
Time Warp-Algorithmus. Dieser findet häufig in der Spracherkennung Anwendung und
wird auch in [10] zur Strukturanalyse verwendet. Im Rahmen dieser Arbeit erfolgt zu-
dem eine Adaption zur Cover-Versions-Erkennung anhand der extrahierten Melodie.
Der zweite – in dieser Arbeit entwickelte – Ansatz unterstellt eine konstante globale
Tempo-Variation zwischen Original und Cover-Version. Die Annahme erscheint sinn-
voll, da Tempoänderungen oft mit der Interpretation eines Songs in einem anderen Stil
verbunden sind. Dieser Stil hat dann jedoch in der Regel ein charakteristisches Tem-
po, das innerhalb eines Stücks beibehalten wird. Gegenüber lokal sehr beschränkter
Änderungen des Tempos, wie sie etwa bei abweichender Phrasierung auftreten, ist die
Methode dennoch robust. Sie wird im Weiteren als die des linearen Zeitzusammenhangs
bezeichnet.
4.1 Ähnlichkeits-Matrizen
Ausgangsbasis für alle hier vorgestellten Klassifizierungsmethoden ist die Ähnlichkeits-
Matrix SM der beiden zu vergleichenden Stücke. Jede Zelle SMi,j enthält dabei das
Maß an Übereinstimmung des i-ten Frames aus einem Song mit dem j-ten des anderen.
In Bezug auf das (T)HPCP-Feature wurden dazu bereits in Kapitel 3.7.1 sowie Ab-
schnitt 3.7.6 folgende Metriken vorgestellt, die alle einen möglichen Wertebereich von
[0, 1] besitzen. Die Distanzen aus [10] wurden dabei ebenfalls zu Ähnlichkeitsmaßen
umgeformt.
• Normierte Differenz nach [22]
Die Ähnlichkeit entspricht der Kürze des normierten Differenzvektors.
r(i, j) = 1 − |
−→ u (i)
maxc uc(i) − −→ v (j)
maxc vc(j) |
√ 12
(4.1)
Aufgrund der hohen Geschwindigkeit mit der dieses Maß berechnet werden kann,
ist es jenes, auf das in dieser Arbeit zurückgegriffen wird. Alle folgenden Schritte
bauen somit darauf auf.