Apprentissage de représentations musicales à l'aide d'architectures profondes et multiéchelles
dc.contributor.advisor | Eck, Douglas | |
dc.contributor.advisor | Bengio, Yoshua | |
dc.contributor.author | Hamel, Philippe | |
dc.date.accessioned | 2012-10-31T14:10:58Z | |
dc.date.available | NO_RESTRICTION | en |
dc.date.available | 2012-10-31T14:10:58Z | |
dc.date.issued | 2012-10-11 | |
dc.date.submitted | 2012-05 | |
dc.identifier.uri | http://hdl.handle.net/1866/8678 | |
dc.subject | Apprentissage machine | en |
dc.subject | Machine learning | en |
dc.subject | Recherche d'information musicale | en |
dc.subject | Music information retrieval | en |
dc.subject | Analyse d'audio musical | en |
dc.subject | Music audio analysis | en |
dc.subject | Étiquetage automatique | en |
dc.subject | Automatic annotation | en |
dc.subject | Apprentissage profond | en |
dc.subject | Deep learning | en |
dc.subject | Apprentissage multiéchelle | en |
dc.subject | Multiscale learning | en |
dc.subject.other | Applied Sciences - Artificial Intelligence / Sciences appliqués et technologie - Intelligence artificielle (UMI : 0800) | en |
dc.title | Apprentissage de représentations musicales à l'aide d'architectures profondes et multiéchelles | en |
dc.type | Thèse ou mémoire / Thesis or Dissertation | |
etd.degree.discipline | Informatique | en |
etd.degree.grantor | Université de Montréal | fr |
etd.degree.level | Doctorat / Doctoral | en |
etd.degree.name | Ph. D. | en |
dcterms.abstract | L'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.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. | en |
dcterms.language | fra | en |
Files in this item
This item appears in the following Collection(s)
This document disseminated on Papyrus is the exclusive property of the copyright holders and is protected by the Copyright Act (R.S.C. 1985, c. C-42). It may be used for fair dealing and non-commercial purposes, for private study or research, criticism and review as provided by law. For any other use, written authorization from the copyright holders is required.