Décompositions matricielles pour l'analyse de données
Application au traitement du signal musical
La science des données, discipline en vogue qui fait appel à des outils provenant des mathématiques et de l’informatique, tente de répondre aux nouveaux défis que posent l’analyse et le traitement des données. Très souvent, ces données prennent une forme matricielle. C’est-à-dire qu’elles peuvent être rangées dans un tableau de valeurs dans lequel les colonnes représentent des échantillons individuels (par exemple, un film sur Netflix, une chanson sur Spotify, un article de presse) et les lignes représentent des descripteurs de ces échantillons (par exemple les notes données au film, le nombre d’écoutes de la chanson par chacun des abonnés du service, l’histogramme des mots de l’article). Le traitement de ces données, à des fins par exemple d’analyse sémantique, de recommandation, d’indexation ou de compression, repose très souvent sur une factorisation matricielle.
L’exposé présentera quelques cas de ce cadre d’analyse dans le domaine du traitement du signal musical, où la matrice analysée est le spectrogramme du signal traité. Cette matrice représente le contenu fréquentiel du signal au cours du temps. Des applications en dé-bruitage et remastering musical seront présentées, illustrées par des démonstrations sonores. Une application originale à la synthèse vidéo guidée par la musique sera également présentée, ce dernier travail ayant donné lieu à deux expositions d’art contemporain, en collaboration avec le plasticien & musicien Jérôme Grivel.
Cédric Févotte - Directeur de RechercheCNRS, Laboratoire Lagrange, Nice
Cédric Févotte est directeur de recherche CNRS au Laboratoire Lagrange à Nice. Préalablement, il a été chercheur CNRS à Télécom ParisTech (2007-2012), ingénieur de recherche en start-up (devenue Audionamix) et chercheur post-doctorant à l’Université de Cambridge (2003-2006). Il a fait ses études à l’École Centrale de Nantes (formation d’ingénieur & doctorat) et au lycée Henri Poincaré à Nancy (classes préparatoires). Ses recherches relèvent du traitement du signal et de l’apprentissage automatique, disciplines au cœur de la science des données.