C est quoi le br sil fran ois pachet sony csl
This presentation is the property of its rightful owner.
Sponsored Links
1 / 30

C’est quoi, le Brésil ? François Pachet SONY CSL PowerPoint PPT Presentation


  • 73 Views
  • Uploaded on
  • Presentation posted in: General

C’est quoi, le Brésil ? François Pachet SONY CSL. Dialogue avec Laurière. - FP: Le plus gros pays d’Amérique Latine ? - JLL: … C’est quoi l’Amérique latine ? FP: Latitude x, longitude y ? JLL: … C’est quoi la longitude ? FP: La seule solution du problème: Langage (X, Portugais)

Download Presentation

C’est quoi, le Brésil ? François Pachet SONY CSL

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


C est quoi le br sil fran ois pachet sony csl

C’est quoi, le Brésil ?François Pachet SONY CSL


Dialogue avec lauri re

Dialogue avec Laurière

  • - FP: Le plus gros pays d’Amérique Latine ?

  • - JLL: … C’est quoi l’Amérique latine ?

  • FP: Latitude x, longitude y ?

  • JLL: … C’est quoi la longitude ?

  • FP: La seule solution du problème:

    • Langage (X, Portugais)

    • not (equal (X, Portugal))

    • PartOf (X, LatinAmerica)

  • JLL: Bof

  • FP: Je vois pas


C est

C’est çà !


Ancrage

Ancrage

  • Une des limites de la manipulation de symboles: le manque d’ancrage

  • Seules des interactions sensori-motrices permettent de donner un sens aux symboles, et donc d’y attacher (solidement) des connaissances

  • Alice: pas d’ancrage dans le « réel »Mais les prémisses d’un système ancré, via la double représentation des contraintes en extension et en intention, et le jeu entre ces deux niveaux


Double niveau d alice

Double niveau d’Alice

  • Thèse de Pierre Roy (1998):« Satisfaction de contraintes et programmation par objets”

    • Filtrage des contraintes subsume bcp des méthodes d’Alice.

    • Heuristiques puissantes et générales (min size)

  • Thèse d’Anne Liret (2000): « Intégration de mécanismes de réécriture dans un langage de CSP »

    • On peut encore « gagner » avec le raisonnement symbolique sur CSP « modernes »,

    • Mais délicat à contrôler, pas d’heuristique systématique


C est quoi le br sil fran ois pachet sony csl

EDS

Les nouveaux problèmes de l’I.A. ne concernent plus les domaines strictement symboliques

Besoin de catégoriser des signaux bruts issus de l’expérience ordinaire

EDS: Extractor Discovery System, tente de trouver de “bons” extracteurs pour catégoriser les sons

Influence d’ALICE dans la conception d’EDS


Feature extraction

Feature Extraction

Le schéma classique

Signal

Sélection

Training

Features

Centaines d’ algorithmes

HMM

SVM

Neural nets

Decision Trees,

Etc.

  • MFCC

  • Spectral Features

  • Slope

  • Roll-Off

  • Centroid

  • Spread

  • Skew

  • Kurtosis

  • Odd-to-Even Harmonic Energy Ratio (OER)

  • Tristimulus

  • Filters

  • Temporal features (ZCR, RMS, etc.)

  • Formants

  • Etc.

Dizaines d’algorithmes

Chien, Bossa, Blues, etc.


G n ralit vs efficacit

Généralité vs Efficacité

  • Alice a montré qu’un algorithme général pouvait être meilleur qu’un algorithme spécifique en exploitant les structures dans les données.

  • De même, EDS s’adapte aux données en trouvant des features spécifiques au problème. Les algorithmes (classification) sont standards


La communaut d apprentissage num rique se focalise sur les algorithmes

La communauté d’apprentissage (numérique) se focalise sur les algorithmes

Classe

Features

Classifiers


Au contraire eds invente des features ad hoc

Au contraire, EDS invente des features ad hoc

Classe

Features

Classifiers


C est quoi le br sil fran ois pachet sony csl

EDS

Classifieurs: algorithmes généraux de classification

Features: fonctions du signal inventées

« Square (Log10 (Abs (Spectral Flatness (BpFilter (Normalize (BpFilter (Blackman (Correlation (Abs (BpFilter (Normalize (Blackman (Correlation (BpFilter (Normalize (Testwav), 308, 965), Testwav))), 232, 1596)), Testwav)), 1256, 244)), 326, 1848))))) »

Données: signaux audio

Classe 1

Classe 2


Double niveau en alice

Double niveau en ALICE

Contraintes redondantes, réécriture…

x + y = 2 * z

x > y + z

Contraintes formelles

z > 2 * y

Contraintes en extension

x{1, 2, 3, 4, 5, 6, …, 100}

y{1, 2, 3, 4, 5, 6, …, 100}

z{1, 2, 3, 4, 5, 6, …, 100}


Double niveau en eds

Double niveau en EDS

Programmation génétique, réécriture

Features formelles

Max(Autocorrelation(x))

RMS(x)

f1 = Zcr (HpFilter (x, 100))

f2 = Max(MFCC (x))

f3 = Max(HpFilter(MFCC(x, 100)))

Features en extension

f1 {2, 5, 1E-15, 43, .. 3}

f2 {…}

f3 {…}


Heuristique d eds d cision

Heuristique d’EDSDécision

  • L’évaluation d’une feature consiste à la calculer sur tous les exemples d’apprentissage.

  • Ceci est très coûteux.

  • On peut évaluer sur moins, pour faire une estimation

  • Si elle est très mauvaise, on ne continue pas

  • Heuristique “généralement bonne”


Heuristiques d eds cr ation de fonction

Heuristiques d’EDSCréation de fonction

Heuristique généralement bonne:

« Une fonction compliquée dont le résultat est utilisé comme argument numérique d’un opérateur est rarement intéressante »

HpFilter (signal,

Max

(BandPassFilter

(FFt

(Hanning

(derivation(x), 199), 2048), 200, 2000))


Heuristiques d eds cr ation de fonction1

Heuristiques d’EDS Création de fonction

Heuristique généralement bonne:

« Une fonction utilisant +3 fois le même opérateur est rarement intéressante »

Fft

(Fft

(Fft

(signal, 2048), 2048), 2048)


Pandeiro en musique br silienne traditionnelle

tchi

ting

tung

pa

PA

tr

Pandeiro en musique brésilienne traditionnelle

6 types de sons


Classification de sons de pandeiro

tchi

ting

tr

pa

tr

pa

Classification de sons de Pandeiro

invente

EDS

Features

apprends

Extractors

(Classifiers)


Features trouv es par eds pour le pandeiro

Features trouvées par EDS pour le Pandeiro

  • Rms (Chroma (x))

  • Power (Sum (SpectralFlatness (FilterBank (Normalize (x), 5))), -1)

  • Peaks (Peals (Square (HFC (Mfcc (Blackman (Normalize (x)), 5)))))

  • Derivation (BarkBands (Hann (Normalize (x)), 5))

  • Abs (BarkBands (Bartlett (LpFilter (Normalize (x), 100)), 5))

  • Mfcc0 (Blackman (HpFilter (Normalize (x), 100)), 10)

  • Zcr (LpFilter (x, 100))

  • Zcr (HpFilter (x, 20000))


R sultats

Résultats


Reconnaissance temps r el

Extractors

(Classifiers)

ting

tchi

tung

tr

ting

Reconnaissance temps-réel

Real-time

segmentation

Real-time

classification

Process


Identification d aboiements de chiens f kaplan et p roy

food

alone

stranger

play

walk

Identification d’aboiements de chiens(F. Kaplan et P. Roy)

Différentes situations => Différents aboiements


Exp rimentations

Expérimentations

Data

Features

  • 150 best features created with EDS and Praat operators

  • Feature space optimized using Weka’s GreedyStepwise:

  • 34 features left

  • 19 from EDS genetic search

  • 15 Praat speech operators


Eds fait mieux que les humains

EDS fait mieux que les humains …


Reconnaissance d harmonies la guitare br silienne th se de giordano cabral

Reconnaissance d’harmoniesà la guitare (brésilienne)Thèse de Giordano Cabral

  • Approche standard

    • Feature bien connue: Chromagram (Hanning (x))

    • Moins de 70% de succès

  • EDS trouve de meilleurs features:

    • Derivation (Power (Chroma (Blackman (x)), 0.3)

    • 78% succès sur les mêmes données

Majeur renverse

Mineur

Majeur 7 9

Majeur 7


Classification en genres

Classification en genres

  • Reconnaître le “genre” de la musique en analysant uniquement le signal audio

  • Base d’apprentissage: 3 classes

    • Brésilien

    • Jazz

    • Blues


Conclusion

Conclusion

L’hypothèse feature vs classifier est iconoclaste en traitement du signal.

Mais elle est très puissante.

Elle est exactement la transposition de l’hypothèse de généralité / adaptation aux données d’ALICE dans le monde du signal.

Ça marche parce qu’il existe des heuristiques qui marchent bien de manière générale


Le br sil c est

Le Brésil, c’est çà !


  • Login