Fusion multi-niveaux par boosting pour le tagging automatique

Multi-level fusion by boosting for automatic tagging

• Auteur / Autrice : Rémi Foucard
• Direction : Gaël Richard, Slim Essid
• Type : Thèse de doctorat
• Discipline(s) : Signal et images
• Date : Soutenance le 20/12/2013
• Etablissement(s) : Paris, ENST
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement et communication de l'information (Paris ; 2003-....)
• Jury : Président / Présidente : Laurent Daudet
• Jury : Examinateurs / Examinatrices : Mathieu Lagrange
• Jury : Rapporteur / Rapporteuse : Liming Chen, Myriam Desainte-Catherine

Mots clés

Mots clés contrôlés

Indexation sonore

Recherche de l'information

Multimédias

Mots clés libres

Extraction de l'information musicale

Fusion de classifieurs

Taggage automatique

Boosting

Music information retrieval

Classifiers fusion

Automatic tagging

Boosting

Résumé

Les tags constituent un outil très utile pour indexer des documents multimédias. Cette thèse de doctorat s’intéresse au tagging automatique, c’est à dire l’association automatique par un algorithme d’un ensemble de tags à chaque morceau. Nous utilisons des techniques de boosting pour réaliser un apprentissage prenant mieux en compte la richesse de l’information exprimée par la musique. Un algorithme de boosting est proposé, afin d’utiliser conjointement des descriptions de morceaux associées à des extraits de différentes durées. Nous utilisons cet algorithme pour fusionner de nouvelles descriptions, appartenant à différents niveaux d’abstraction. Enfin, un nouveau cadre d’apprentissage est proposé pour le tagging automatique, qui prend mieux en compte les subtilités des associations entre les tags et les morceaux.

Tags constitute a very useful tool for multimedia document indexing. This PhD thesis deals with automatic tagging, which consists in associating a set of tags to each song automatically, using an algorithm. We use boosting techniques to design a learning which better considers the complexity of the information expressed by music. A boosting algorithm is proposed, which can jointly use song descriptions associated to excerpts of different durations. This algorithm is used to fuse new descriptions, which belong to different abstraction levels. Finally, a new learning framework is proposed for automatic tagging, which better leverages the subtlety ofthe information expressed by music.