Conception des modèles d'observation audio temps réel à l ... - atiam

Nettoyage de données (data cleaning)Il s’agit d’un domaine de recherche très actif ces dernières années. Sonprincipe est de retirer de la base d’entraînement des vecteurs étiquetés jugés commeétant de mauvais exemples. Ceci pose le problème de la détection automatiquede tels vecteurs dans la base, et donc des critères selon lesquels les trier. Étantdonné les remarques déjà faites sur la précision de l’annotation manuelle deséchantillons musicaux (voir 4.1 page 27), l’utilisation de ce genre de techniquesparaît avoir beaucoup de sens dans le cadre du suivi automatique departition.Entraîner le classifieur sur un sous-ensemble d’exemplesLa nature des problèmes de segmentation que l’on rencontre dans les applicationsmusicales donne lieu à une sur-représentation de certaines classesdans la base d’entraînement. Pour la détection d’onsets, nous disposons debeaucoup plus d’exemples de la classe “Attaque” que d’exemples de la classe“Autres” (voir 4.1 page 27). Aussi, il semble intéressant d’étudier l’impact destechniques permettant de filtrer les exemples de manière à équilibrer la représentationdes différentes classes dans la base à partir de laquelle s’effectue lasélection. Dans cette perspective, le Balanced Error Rate ou l’aire sous la courbeROC (voir 2.8 page 17) peuvent être des critères à considérer, dans la mesureoù ils prennent en compte l’erreur sur les différentes classes. Il convient égalementde mener une réflexion sur une possible différence de criticité entreles faux négatifs et les faux positifs dans le cadre du suivi de partition.