CLASSIFICATION DES SONS, “COMMENT CA MARCHE ?”

CLASSIFICATION DES SONS, “COMMENT CA MARCHE ?” Slim ESSID Journée GSAM/SFA – Juin 2005 E-mail : slim.essid@enst.fr Page web : http://www.tsi.enst.fr/~essid

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.

Mel Freq. Cepstral Coef. (MFCC) Son (Fenêtre de 32ms, recouvrement 50%, 32kHz) FFT Spectre FFT Banc de filtres triangulaires en échelle Mel Log DCT Vecteur de 33 coefficients dt dt²

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

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 »

Visualisations

Visualisations (2)

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)

SVM (2)

Classification SVM Ob vs Tr . Ob . Tr

Classification SVM Ob vs Vl . Ob .Vl

Classification SVM Tr vs Vl . Tr .Vl

CLASSIFICATION DES SONS, “COMMENT CA MARCHE ?”