[Lisa_seminaires] Soutenance de thèse de Philippe Hamel, jeudi 10h00, salle 3195

vincentp at iro.umontreal.ca vincentp at iro.umontreal.ca
Dim 5 Aou 21:44:35 EDT 2012


Vous êtes tous cordialement invités à assister à la soutenance de thèse de
doctorat de Philippe Hamel, qui se déroulera ce jeudi 9 août, à 10h00 au
local 3195, Pavillon André Aisenstadt.

(Note: the presentation will be in French)

Titre:
Apprentissage de représentations musicales à l'aide d'architectures
profondes et multiéchelles

Résumé
L'apprentissage machine (AM) est un outil important dans le domaine de la
recherche d'information musicale (\emph{Music Information
Retrieval} ou MIR). De nombreuses tâches de MIR peuvent être résolues en
entraînant un classifieur sur un ensemble de caractéristiques. Pour les
tâches de MIR se basant sur l'audio musical, il est possible
d'extraire de l'audio les caractéristiques pertinentes à l'aide de
méthodes traitement de signal. Toutefois, certains aspects musicaux sont
difficiles à extraire à l'aide de simples heuristiques. Afin d'obtenir des
caractéristiques plus riches, il est possible d'utiliser l'AM pour
apprendre une représentation musicale à partir de l'audio. Ces
caractéristiques apprises permettent souvent d'améliorer la
performance sur une tâche de MIR donnée.
Afin d'apprendre des représentations musicales intéressantes, il est
important de considérer les aspects particuliers à l'audio musical dans la
conception des modèles d'apprentissage. Vu la structure
temporelle et spectrale de l'audio musical, les représentations
profondes et multiéchelles sont particulièrement bien conçues pour
représenter la musique. Cette thèse porte sur l'apprentissage de
représentations de l'audio musical.Des modèles profonds et
multiéchelles améliorant l'état de l'art pour des tâches telles que la
reconnaissance d'instrument, la reconnaissance de genre et
l'étiquetage automatique y sont présentés.

Title:
Learning musical representations with deep and multi-scale architectures

Abstract:
Machine learning (ML) is an important tool in the field of music
information retrieval (MIR). Many MIR tasks can be solved by training a
classifier over a set of features. For MIR tasks based on music
audio, it is possible to extract features from the audio with signal
processing techniques. However, some musical aspects are hard to
extract with simple heuristics. To obtain richer features, we can use ML
to learn a representation from the audio. These learned features can often
improve performance for a given MIR task.
In order to learn interesting musical representations, it is important to
consider the particular aspects of music audio when building
learning models. Given the temporal and spectral structure of music audio,
deep and multi-scale representations are particularly well
suited to represent music. This thesis focuses on learning
representations from music audio. Deep and multi-scale models that improve
the state-of-the-art for tasks such as instrument recognition, genre
recognition and automatic annotation are presented.

-------------- next part --------------
A non-text attachment was scrubbed...
Name: Annonce Soutenance Philippe Hamel.pdf
Type: application/pdf
Size: 127616 bytes
Desc: not available
Url : https://webmail.iro.umontreal.ca/mailman/private/lisa_seminaires/attachments/20120805/b8221714/attachment-0001.pdf 


Plus d'informations sur la liste de diffusion Lisa_seminaires