자동 음악 장르 분류를 위한 장르 간 유사성 모델링

초록

본 논문은 자동 음악 장르 분류에서 발생하는 장르 간 혼동을 줄이기 위해, 오분류된 샘플들의 특징을 이용해 장르 간 유사성을 모델링하는 IGS(Inter‑Genre Similarity) 기법을 제안한다. IGS를 기반으로 한 IIGS(Iterative IGS)와 SMIGS(Score Modeling for IGS Elimination) 확장 방법을 도입해 분류 정확도를 향상시켰으며, 실험을 통해 기존 시스템 대비 의미 있는 성능 개선을 입증하였다.

상세 분석

본 연구는 음악 장르 분류에서 가장 큰 장애물 중 하나인 장르 간 유사성 문제를 정량적으로 모델링하고, 이를 제거함으로써 분류기의 판별력을 높이는 접근법을 제시한다. 먼저, 전체 데이터셋을 기존의 GMM 기반 분류기에 투입하여 오분류된 샘플을 추출한다. 이 오분류 집합을 ‘인터‑장르 유사성’(IGS) 데이터베이스로 정의하고, 각 장르별로 별도의 GMM을 학습한다. 핵심 아이디어는 IGS 모델이 실제 장르와 혼동되는 패턴을 포착함으로써, 테스트 단계에서 해당 패턴이 감지되면 해당 프레임을 무시하거나 낮은 가중치를 부여하는 것이다.

IGS를 한 번 적용한 뒤에도 여전히 남아 있는 혼동을 해결하기 위해, 논문은 IGS 과정을 반복하는 IIGS(Iterative IGS)를 도입한다. 각 반복 단계에서 새로운 오분류 샘플을 추가로 수집하고, 기존 IGS 모델에 통합함으로써 점진적으로 혼동 영역을 확대한다. 이 과정은 수렴 조건(새로운 오분류 비율이 일정 이하)까지 진행되며, 실험 결과 IIGS가 단일 IGS보다 평균 2~3%의 정확도 향상을 제공한다.

또 다른 확장인 SMIGS는 프레임 단위 점수를 활용한다. 각 프레임에 대해 장르별 로그우도와 IGS 모델의 로그우도를 비교하여 ‘유사성 점수’를 계산하고, 사전에 정의된 임계값보다 높은 경우 해당 프레임을 제외한다. 이 방식은 특히 짧은 음악 조각이나 변곡점이 많은 곡에서 효과적이며, 전반적인 오류율을 추가로 감소시킨다.

실험에서는 GTZAN과 ISMIR2004 데이터셋을 사용했으며, MFCC, 스펙트럼 롤오프, 제로 크로싱 레이트 등 20여 개의 저차원 특징을 추출하였다. 기본 분류기로는 GMM‑HMM 구조와 SVM을 각각 적용했으며, IGS 기반 방법이 모두에서 유의미한 개선을 보였다. 특히, GMM‑HMM에 IIGS와 SMIGS를 결합했을 때 평균 정확도가 78.5%에서 84.2%로 상승하였다.

이 논문은 장르 간 유사성을 명시적으로 모델링함으로써 기존 특징 추출·분류 파이프라인에 최소한의 추가 복잡도만으로도 큰 성능 향상을 달성할 수 있음을 증명한다. 다만, IGS 모델 구축에 오분류 샘플이 필요하므로 초기 분류기의 품질에 의존한다는 점과, 임계값 설정이 데이터셋마다 다를 수 있다는 한계가 존재한다. 향후 연구에서는 딥러닝 기반 자동 특징 학습과 결합하거나, 실시간 스트리밍 환경에서의 적용 가능성을 탐색할 여지가 있다.