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

Weitere Magazine

Empfehlungen

Info

Resultate und Perspektiven 90 THPCP Klassifizierung recall pfound DTW 26% 49 Linear 44% 88 Diagonale 31% 61 45 Grad 35% 70 Melodie Klassifizierung recall pfound DTW 11% 22 Linear 11% 21 Diagonale 14% 27 45 Grad 8% 15 THPCP – Refrain Klassifizierung recall pfound DTW 27% 54 Linear 15% 29 Diagonale 29% 58 45 Grad 30% 60 Melodie – Refrain Klassifizierung recall pfound DTW 4% 8 Linear 13% 25 Diagonale 21% 41 45 Grad 16% 32 Tabelle 5.2: Ergebnisse der Coverversions-Erkennung bei einem konstanten fallout- Wert von 0.1 Feature Klassifizierung f-Wert THPCP Linearer Zeitzusammenhang 0.31 THPCP-Refrain 45 Grad Diagonale 0.23 Melodie Hauptdiagonale 0.16 Melodie-Refrain Hauptdiagonale 0.14 Zufall 0.05 Tabelle 5.3: Maximale f-Werte der besten Klassifizierungsmethoden pro Feature Für einen genaueren Vergleich wurde für die beste Klassifizierungsmethode jedes Featu- res eine genaue Precision-Recall-Kurve aufgestellt. Abbildung 5.1 zeigt die Ergebnisse. Daraus wird ersichtlich, dass das ursprünglich bessere Abschneiden des refrain-basierten Melodie-Features Zufall war. Dies wird auch durch den maximal erreichbaren f-Wert bestätigt. Diese Werte sind vergleichend in Tabelle 5.3 aufgelistet. Bei der Betrachtung der f-Werte fällt auf, dass alle deutlich über der errechneten Ba- seline von 0.05 liegen. Das einzige der vier Features für das Vergleichswerte vorliegen ist das THPCP-Feature, das in [18] in Verbindung mit einer Dynamic Time Warp- Klassifizierung evaluiert wurde. Dabei ergab sich ein f-Wert von 0.39. Die f-Werte sind jedoch nicht unmittelbar miteinander vergleichbar, da die Musik-Sammlungen auf de- nen getestet wurde, andere waren. Die Zusammensetzung jener aus [18] ergab eine um 20% höhere Baseline von 0.06, wodurch bereits einen Großteil des Abweichens des Er- gebnisses erklärt werden kann. Weiters ist nicht bekannt, wie stark die Variationen zwischen einzelnen Versionen der Songs des Testsets aus [18] waren.
Resultate und Perspektiven 91 Abbildung 5.1: Gegenüberstellung der Precision-Recall-Kurven der besten Klassifizierungsmethoden pro Feature 5.2 Erkenntnisse Als wichtigste Erkenntnis kann man sehen, dass eine Cover-Versions- bzw. Plagiats- Erkennung anhand der hier vorgestellten Methoden aus zwei Gründen noch weit von der Praxistauglichkeit entfernt ist. Zum einen lässt die Zuverlässigkeit aller möglichen Paarungen an Features und Klas- sifizierungsmethoden zu wünschen übrig. Obwohl alle Maßzahlen deutlich über den jeweiligen Baselines lagen, sind sie für den Einsatz in realen Musiksammlungen mit mehreren tausend im privaten bzw. mehreren Millionen Songs im kommerziellen Be- reich unzulänglich. Geht man von dem in der Einleitung genannten Beispiel – dem iTunes Online-Shop 1 mit einem Angebot von über 5 Millionen Musikstücken – aus, so würde ein fallout von nur 0.01 mehr als 10 10 fälschlicherweise als Cover klassifizierte Paarungen zur Folge haben. Dies gilt selbst unter der Annahme, dass zu jedem Ori- 1 http://www.apple.com/at/itunes/
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 und 10:
Einleitung 1 1 Einleitung Die vorli
Seite 11 und 12:
Einleitung 3 diese Vorgehensweise e
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 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 75 und 76: Feature Extraktion 67 3.7 Struktura
Seite 77 und 78: Feature Extraktion 69 Die Ähnlichk
Seite 81 und 82: Feature Extraktion 73 einander verg
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: Resultate und Perspektiven 89 Titel
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?