Clustering incrémental de signaux audio
Résumé
This report aims to study different methods of online clustering, mainly applied
to audio signals. We will first detail the state-of-the art algorithms for clustering, as
well as the theory behind them. Then we will extend this methods to incremental
clustering, and present different online algorithms. These algorithms are based on the
hidden markov models, which are classic art representations of data and hidden states in
signal processing, and hidden semi-markov models, which extend them to a semi-markov
representation of the states. We present this within the context of audio segmentation
– the task of segmenting audio sources in homogenous chunks – and classification – the
task of identifying these chunks – applied to audio event detection. We will also set
an experimental protocol, with a view to evaluate them and compare the result to a
state-of-the art algorithm for the same task.
Ce rapport de stage vise à l’étude de méthodes de partitionnement incrémentales,
principalement appliquées à des signaux audio. Nous détaillons tous d’abord les algo-
rithmes de partitionnement classiques de la littérature, ainsi que les bases théoriques
permettant d’y aboutir. Puis nous présentons des méthodes étendant ces algorithmes
de partitionnement au calcul en ligne. Nous utilisons pour cela les hmm, qui sont une
modélisation classique de données et états latents en traitement du signal. Nous utili-
sons aussi les hsmm, qui sont une extension des hmm, permettant une représentation
semi-markovienne des états cachés. Ces algorithmes sont présentés dans le cadre de la
segmentation audio – visant à séparer un fichier en fragments homogènes – et de la
classification – visant à identifier les différents fragments – pouvant être appliquées à
la détection d’événements sonores. On proposera aussi un protocole d’évaluation pour
ces méthodes, afin de comparer leurs performances par rapport à une autre méthode de
l’état de l’art en leur faisant effectuer les mêmes tâches.
Loading...