Afficher la notice

dc.contributor.advisorEck, Douglas
dc.contributor.advisorBengio, Yoshua
dc.contributor.authorHamel, Philippe
dc.date.accessioned2012-10-31T14:10:58Z
dc.date.availableNO_RESTRICTIONen
dc.date.available2012-10-31T14:10:58Z
dc.date.issued2012-10-11
dc.date.submitted2012-05
dc.identifier.urihttp://hdl.handle.net/1866/8678
dc.subjectApprentissage machineen
dc.subjectMachine learningen
dc.subjectRecherche d'information musicaleen
dc.subjectMusic information retrievalen
dc.subjectAnalyse d'audio musicalen
dc.subjectMusic audio analysisen
dc.subjectÉtiquetage automatiqueen
dc.subjectAutomatic annotationen
dc.subjectApprentissage profonden
dc.subjectDeep learningen
dc.subjectApprentissage multiéchelleen
dc.subjectMultiscale learningen
dc.subject.otherApplied Sciences - Artificial Intelligence / Sciences appliqués et technologie - Intelligence artificielle (UMI : 0800)en
dc.titleApprentissage de représentations musicales à l'aide d'architectures profondes et multiéchellesen
dc.typeThèse ou mémoire / Thesis or Dissertation
etd.degree.disciplineInformatiqueen
etd.degree.grantorUniversité de Montréalfr
etd.degree.levelDoctorat / Doctoralen
etd.degree.namePh. D.en
dcterms.abstractL'apprentissage machine (AM) est un outil important dans le domaine de la recherche d'information musicale (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.en
dcterms.abstractMachine 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.en
dcterms.languagefraen


Fichier(s) constituant ce document

Vignette

Ce document figure dans la(les) collection(s) suivante(s)

Afficher la notice