Abstract: An audio information retr

Abstract: An audio information retrieval model based on Manifold Ranking (MR) is proposed, and ranking results
are improved using a Relevance Feedback (RF) algorithm. Timbre components are employed as the model’s main
feature. To compute timbre similarity, extracting the spectrum features for each frame is necessary; the large set
of frames is clustered using a Gaussian Mixture Model (GMM) and expectation maximization. The typical spectra
frame from GMM is drawn as data points, and MR assigns each data point a relative ranking score, which is
treated as a distance instead of as traditional similarity metrics based on pair-wise distance. Furthermore, the MR
algorithm can be easily generalized by adding positive and negative examples from the RF algorithm and improves
the final result. Experimental results show that the proposed approach effectively improves the ranking capabilities
of existing distance functions.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ: แบบเสียงการเรียกข้อมูลคะแนนบนท่อร่วมจัดอันดับ (MR) ไม่นำเสนอ และจัดอันดับผลการจะดีขึ้นโดยใช้อัลกอริทึมเกี่ยวข้องผลป้อนกลับ (RF) มีการจ้างงานต่ำส่วนประกอบ ตามรูปแบบของหลักคุณลักษณะ การคำนวณความคล้ายคลึงกันต่ำ แยกสเปกตรัมคุณลักษณะสำหรับเฟรมแต่ละจำเป็น ชุดใหญ่เฟรมเป็นกลุ่มโดยใช้ maximization นที่ผสมรูปแบบ (จีเอ็มเอ็ม) และความคาดหวังที่ มุมทั่วไปเฟรมจากอสมทดึงข้อมูลคะแนน และนายกำหนดแต่ละจุดข้อมูลคะแนนจัดลำดับญาติ ซึ่งเป็นถือว่าเป็นระยะไกลแทนที่จะเป็นวัดดั้งเดิมคล้ายตามระยะ pair-wise นอกจากนี้ นายการอัลกอริทึมสามารถ generalized ได้ง่าย ๆ โดยการเพิ่มตัวอย่างการบวก และลบจากอัลกอริทึม RF และปรับปรุงผลการพิจารณา ผลการทดลองแสดงว่า วิธีการนำเสนอได้อย่างมีประสิทธิภาพช่วยเพิ่มความสามารถในการจัดอันดับของฟังก์ชันที่มีอยู่ในระยะห่าง

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ: รูปแบบการดึงข้อมูลเสียงขึ้นอยู่กับการจัดอันดับ Manifold ( ม.ร.ว. ) เสนอและผลการจัดอันดับ
ที่ดีขึ้นโดยใช้ความสัมพันธ์กันผลตอบรับ (RF) อัลกอริทึม ส่วนประกอบต่ำมีการจ้างงานเป็นหลักรูปแบบของ
คุณลักษณะ การคำนวณความคล้ายคลึงกันต่ำสกัดคุณลักษณะสเปกตรัมสำหรับแต่ละเฟรมเป็นสิ่งที่จำเป็น; ชุดใหญ่
ของเฟรมเป็นคลัสเตอร์ใช้ Gaussian ผสมรุ่น (GMM) และความคาดหวังสูงสุด สเปกตรัมทั่วไป
กรอบจาก GMM จะถูกดึงมาเป็นจุดข้อมูลและ MR กำหนดข้อมูลแต่ละจุดคะแนนการจัดอันดับของญาติซึ่งเป็นที่
ได้รับการรักษาเป็นระยะทางแทนของตัวชี้วัดความคล้ายคลึงกันเป็นแบบดั้งเดิมตามระยะทางคู่ฉลาด นอกจากนี้นายฮ
อัลกอริทึมสามารถทั่วไปได้อย่างง่ายดายโดยการเพิ่มตัวอย่างในเชิงบวกและเชิงลบจากอัลกอริทึม RF และช่วยเพิ่ม
ผล Fi NAL ผลการทดลองแสดงให้เห็นว่าวิธีการที่นำเสนอได้อย่างมีประสิทธิภาพช่วยเพิ่มความสามารถในการจัดอันดับ
ของฟังก์ชั่นที่มีอยู่ระยะทาง

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ : การดึงข้อมูลเสียง ใช้รูปแบบการจัดอันดับอเนก ( MR ) คือ การนำเสนอ และการจัดอันดับมีการปรับปรุงโดยใช้ความเกี่ยวข้องความคิดเห็น ( RF ) ขั้นตอนวิธี ส่วนประกอบที่เกี่ยวข้องใช้เป็นรูปแบบหลักของคุณสมบัติ คำนวณประทับ ความเหมือน แยกสเปกตรัมคุณสมบัติสำหรับแต่ละเฟรมเป็นสิ่งจําเป็น ชุดใหญ่เฟรมต่อใช้แบบผสม ) ( GMM ) และมีความคาดหวัง นี้โดยทั่วไปกรอบจากจีเอ็มเอ็ม จะวาดเป็นจุดข้อมูลและคุณกำหนดข้อมูลแต่ละจุดญาติอันดับคะแนน ซึ่งเป็นถือว่าเป็น ระยะทาง แทนที่จะเป็นแบบดั้งเดิมตามคู่ปัญญา ความเหมือนวัดระยะทาง นอกจากนี้ นายอัลกอริทึมที่สามารถได้ง่ายโดยการเพิ่มตัวอย่างตัวบวกและลบจาก RF ขั้นตอนวิธีและปรับปรุงจึงจำหน่ายผล ผลการทดลองแสดงให้เห็นว่าวิธีการที่เสนอมีประสิทธิภาพช่วยเพิ่มความสามารถในการจัดอันดับฟังก์ชันระยะทางที่มีอยู่