CLASSIFICATION DES SONS, COMMENT CA MARCHE ? Slim ESSID Journée GSAM/SFA – Juin 2005 E-mail :...
-
Upload
lucrece-gay -
Category
Documents
-
view
108 -
download
0
Transcript of CLASSIFICATION DES SONS, COMMENT CA MARCHE ? Slim ESSID Journée GSAM/SFA – Juin 2005 E-mail :...
CLASSIFICATION DES SONS, “COMMENT CA MARCHE ?”
Slim ESSID
Journée GSAM/SFA – Juin 2005
E-mail : [email protected]
Page web : http://www.tsi.enst.fr/~essid
2Journée GSAM/SFA – 23/06/2005
Contenu
Visualisation 3D des descripteurs MFCC & ASF pour hautbois, trompette et violon.
Calcul des descripteurs Utilisation de la PCA (Analyse en Composantes
Principales) Visualisations
Classification par SVM (Machines à Vecteurs Supports) Principe des SVM Visualisations 3D des surfaces de décision dans
classification hautbois/trompette.
3Journée GSAM/SFA – 23/06/2005
Mel Freq. Cepstral Coef. (MFCC)
FFT
Log DCT
dt
dt²
Son (Fenêtre de 32ms, recouvrement 50%, 32kHz)
Spectre FFT
Banc de filtres triangulairesen échelle Mel
Vecteur de33 coefficients
4Journée GSAM/SFA – 23/06/2005
Amplitude Spectral Flatness (ASF) [MPEG7]
Partitionnement du spectre d’amplitude ( ) en 23 sous-bandes (en échelle logarithmique) Dans chaque sous-bande
Spectre plat : ASF , 0 < ASF < 1
5Journée GSAM/SFA – 23/06/2005
Principal Component Analysis (PCA)
But : Réduire la dimension des vecteurs d’attributs (descripteurs)
Etape 1 : Décomposition en Valeurs Singulières de la matrice de covariance des observations
Etape 2 : Transformer les vecteurs d’attributs
Etape 3 : « Retenir les directions correspondant aux d plus grandes valeurs singulières »
6Journée GSAM/SFA – 23/06/2005
Visualisations
7Journée GSAM/SFA – 23/06/2005
Visualisations (2)
8Journée GSAM/SFA – 23/06/2005
Visualisations (3)
9Journée GSAM/SFA – 23/06/2005
Visualisations (4)
10Journée GSAM/SFA – 23/06/2005
Visualisations (5)
11Journée GSAM/SFA – 23/06/2005
Visualisations (6)
12Journée GSAM/SFA – 23/06/2005
Support Vector Machines (SVM)
Classificateur bi-classe Principe : Trouver l’hyperplan séparant les attributs de
chaque classe avec la plus grande marge possible
Si données non linéairement séparables, considérer , H : espace de dimension supérieure où
les données deviennent linéairement séparables
Utiliser un noyau (kernel)
13Journée GSAM/SFA – 23/06/2005
SVM (2)
14Journée GSAM/SFA – 23/06/2005
Classification SVM Ob vs Tr
. Ob
. Tr
15Journée GSAM/SFA – 23/06/2005
Classification SVM Ob vs Vl
. Ob
. Vl
16Journée GSAM/SFA – 23/06/2005
Classification SVM Tr vs Vl
. Tr
. Vl