Projets

Apprentissage temps-fréquence adaptatif

Un dossier reliant ondelettes apprenables, paquets d’ondelettes, débruitage et superlettes fractionnaires.

Architecture SigWavNet : le signal traverse un bloc d’ondelettes apprenables ; chaque résolution passe par une convolution dilatée, une attention spatiale, un GRU bidirectionnel et une attention temporelle avant pondération et classification.
SigWavNet relie une décomposition en ondelettes apprise à un traitement neuronal multiéchelle.Alaa Nfissi and coauthors · sigwavnet

Planche de recherche

SigWavNet relie une décomposition en ondelettes apprise à un traitement neuronal multiéchelle.

En cours

Les décompositions multirésolutions décrivent un signal à plusieurs échelles. Les études associées rendent certains éléments de cette représentation apprenables et les combinent avec des modèles neuronaux de reconnaissance émotionnelle ou d’amélioration de la parole.

SigWavNet et les modèles à paquets d’ondelettes explorent les filtres et le seuillage appris. NWPA étudie un autoencodeur bidirectionnel pour l’amélioration de la parole. LFST apprend des représentations par superlettes fractionnaires avec un encodeur spectrotemporel. Ces méthodes sont apparentées, sans être interchangeables.

Axes de recherche

  1. 01

    Programmes de recherche

    Représentations apprenables du signal

    Ondelettes, paquets d’ondelettes et superlettes fractionnaires : des représentations adaptatives pour l’analyse émotionnelle et l’amélioration de la parole.

Se connecter pour enregistrer ce document →