Soutenance de thèse de Hadrien Foroughmand - Questions du Jury 01:50:47
- Saison 2020-2021 - None - None > Soutenance de thèse de Hadrien Foroughmand Aarabi
- Jan. 14, 2021
- Ircam, Paris
Participants
- Hadrien Foroughmand (conférencier)
- Geoffroy Peeters
- Roland Badeau
- Emmanuel Vincent
- Emilia Gomez
- Matthew Davies
- Emmanuel Saint-James
Soutenance de thèse de Hadrien Foroughmand Aarabi : Vers une estimation globale du tempo et une classification en genres musicaux basées sur les caractéristiques harmoniques du rythme
Sous la direction de Geoffroy Peeters.
Membres du jury :
Rapporteurs :
Roland Badeau (Professeur, Télécom Paristech),
Emmanuel Vincent (Senior Research Scientist, INRIA - LORIA),
Examinateurs :
Emilia Gomez (Professeure, Universitat Pompeu Fabra (UPF) - MTG) ,
Matthew Davies (Senior Researcher, Centre for Informatics and Systems of the University of Coimbra - Department of Informatics Engineering)
Emmanuel Saint-James (Maitre de conférence (HDR), Sorbonne Université - LIP6).
Résumé :
La détection automatique de la structure rythmique au sein de la musique est l'un des défis du domaine de recherche "Music Information Retrieval".
L'avènement de la technologie dédiée aux arts a permis l'émergence de nouvelles tendances musicales généralement décrites par le terme d'"Electronic/Dance Music" (EDM) qui englobe une pléthore de sous-genres.
Ce type de musique souvent dédiée à la danse se caractérise par sa structure rythmique.
Nous proposons une analyse rythmique de ce qui définit certains genres musicaux dont ceux de l'EDM.
Pour ce faire, nous souhaitons réaliser une tâche d'estimation automatique du tempo global et une tâche de classification des genres axée sur le rythme.
Le tempo et le genre sont deux aspects entremêlés puisque les genres sont souvent associés à des motifs rythmiques qui sont joués dans des plages de tempo spécifiques.
Certains systèmes d'estimation du tempo dit "handcrafted" ont montré leur efficacité en se basant sur l'extraction de caractéristiques liées au rythme.
Récemment, avec l'apparition de base de données annotées, les systèmes dit "data-driven" et les approches d'apprentissage profond ont montré des progrès dans l'estimation automatique de ces tâches.
Dans cette thèse, nous proposons des méthodes à la croisée des chemins entre les systèmes "handcrafted" et "data-driven".
Le développement d'une nouvelle représentation du rythme combiné à un apprentissage profond par réseau de neurone convolutif est à la base de tous nos travaux.
Dans cette thèse, nous présentons en détails notre méthode dites Deep Rhythm mais également plusieurs extensions de celle-ci basées sur des intuitions musicales qui nous permettent d'améliorer l'estimation des deux tâches.