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

Table des figures1.1 Modèle de Markov correspondant à une note. . . . . . . . . . 41.2 Génération du HMM à partir de la partition. . . . . . . . . . . 51.3 Rôle du modèle d’observation . . . . . . . . . . . . . . . . . . . 62.1 Espace de recherche : représentation schématique (pour n= 4). 122.2 Exemple de courbe ROC. . . . . . . . . . . . . . . . . . . . . . . 183.1 Représentations du signal servant au calcul des descripteurs . 213.2 Les différents ensembles de descripteurs. . . . . . . . . . . . . 223.3 Taxonomie de recherche . . . . . . . . . . . . . . . . . . . . . . 244.1 Nombre de descripteurs vs. erreur (bayésien naïf) . . . . . . . 304.2 Nombre de descripteurs vs. erreur (gaussiennes) . . . . . . . . 314.3 Influence du nombre de descripteurs sur le coût de calcul . . . 324.4 Erreur vs. coût de calcul maximum (bayésien naïf) . . . . . . . 344.5 Erreur vs. coût de calcul maximum (gaussiennes) . . . . . . . . 354.6 Filters et aire sous la courbe ROC (bayésien naïf) . . . . . . . . 394.7 Filters et aire sous la courbe ROC (gaussiennes) . . . . . . . . . 40