Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Single Trial P300 Classification Using Convolutional LSTM and Deep Learning Ensembles Method Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Content-Based Music Classification Using Ensemble of Classifiers

verfasst von : Manikanta Durga Srinivas Anisetty, Gagan K Shetty, Srinidhi Hiriyannaiah, Siddesh Gaddadevara Matt, K. G. Srinivasa, Anita Kanavalli

Erschienen in: Intelligent Human Computer Interaction

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper presents an application of Ensemble learning in the field of audio data analytics. We propose a system using Hierarchical ensemble model to classify the genre of a music track based on the contents of the track. The hierarchical ensemble comprised of 7 classifiers trained on different sections of the dataset that can co-relate the output of each other for classifying the data. Using this hierarchical ensemble model, we achieved an accuracy boost of 15% over machine learning models. This hierarchical ensemble has been proven better than an ensemble model with hard voting logic in term of accuracy. This work describes the comparison of basic models with hierarchical model and its characteristics.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Towards Evaluating Architectural Design of Ancient Pilgrimage Site Using Agent Based Modelling and Simulation
Nächstes Kapitel A Decision Tree Based Context-Aware Recommender System
Literatur
1.
Choi, K., Fazekas, G., Sandler, M., Cho, K.: Transfer learning for music classification and regression tasks. arXiv preprint arXiv:​1703.​09179 (2017)
2.
3.
Choi, K., Joo, D., Kim, J.: Kapre: On-GPU audio preprocessing layers for a quick implementation of deep neural network models with keras. arXiv preprint arXiv:​1706.​05781 (2017)
4.
LeCun, Y., Bottou, L., Bengio, Y., Haffner, P.: Gradient-based learning applied to document. Proc. IEEE 86(11), 2278–2324 (1998)CrossRef
5.
Krizhevsky, A., Hinton, G.: Learning multiple layers of features from tiny images (2009)
6.
Deng, J., Dong, W., Socher, R., Li, L.J., Li, K., Fei-Fei, L.: Imagenet: a large-scale hierarchical image database. In: IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2009, pp. 248–255. IEEE, June 2009
7.
Defferrard, M., Benzi, K., Vandergheynst, P., Bresson, X.: FMA: A dataset for music analysis. arXiv preprint arXiv:​1612.​01840 (2016)
8.
Tzanetakis, G., Cook, P.: Musical genre classification of audio signals. IEEE Trans. Speech Audio Process. 10(5), 293–302 (2002)CrossRef
9.
Li, T., Ogihara, M., Li, Q.: A comparative study on content-based music genre classification. In: Proceedings of the 26th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 282–289. ACM, July 2003
10.
Li, T., Li, Q., Zhu, S., Ogihara, M.: A survey on wavelet applications in data mining. ACM SIGKDD Explor. Newsl. 4(2), 49–68 (2002)CrossRef
11.
Panagakis, Y., Kotropoulos, C., Arce, G.R.: Music genre classification using locality preserving non-negative tensor factorization and sparse representations. In: ISMIR, vol. 14, no. 1, pp. 249–254, October 2009
12.
Mandel, M.I., Ellis, D.: Song-level features and support vector machines for music classification. In: ISMIR, vol. 2005, pp. 594–599, September 2005
13.
Weston, J., Watkins, C.: Multi-class support vector machines. Technical report CSD-TR-98-04, Department of Computer Science, Royal Holloway, University of London, May 1998
14.
Suykens, J.A.: Nonlinear modelling and support vector machines. In: Proceedings of the 18th IEEE Instrumentation and Measurement Technology Conference, IMTC 2001, vol. 1, pp. 287–294. IEEE, May 2001
15.
Silla Jr., C.N., Kaestner, C.A., Koerich, A.L.: Automatic music genre classification using ensemble of classifiers. In: IEEE International Conference on Systems, Man and Cybernetics, 2007, ISIC, pp. 1687–1692. IEEE, October 2007
16.
17.
Kim, B.S., Park, J.Y., Gilbert, A.C., Savarese, S.: Hierarchical classification of images by sparse approximation. Image Vis. Comput. 31(12), 982–991 (2013)CrossRef
18.
Huang, J., Kumar, S.R., Zabih, R.: An automatic hierarchical image classification scheme. In: Proceedings of the Sixth ACM International Conference on Multimedia, pp. 219–228. ACM, September 1998
19.
Pedregosa, F., et al.: Scikit-learn: machine learning in Python. J. Mach. Learn. Res. 12, 2825–2830 (2011)MathSciNetMATH
20.
McKinney, W.: Pandas: a foundational Python library for data analysis and statistics. Python High Perform. Sci. Comput., 1–9 (2011)
21.
Metadaten
Titel
Content-Based Music Classification Using Ensemble of Classifiers
verfasst von
Manikanta Durga Srinivas Anisetty
Gagan K Shetty
Srinidhi Hiriyannaiah
Siddesh Gaddadevara Matt
K. G. Srinivasa
Anita Kanavalli
Copyright-Jahr
2018
Buch
Intelligent Human Computer Interaction

Print ISBN: 978-3-030-04020-8

Electronic ISBN: 978-3-030-04021-5

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-030-04021-5_26

Neuer Inhalt

    Bildnachweise