Machines stochastiques dédiées à l'inférence Bayésienne pour la localisation et séparation de sources
Auteur / Autrice : | Raphael Frisch |
Direction : | Laurent Fesquet, Emmanuel Mazer |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 14/11/2019 |
Etablissement(s) : | Université Grenoble Alpes (ComUE) |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'informatique de Grenoble (2007-....) |
Equipe de recherche : Perception, reconnaissance et intégration pour la modélisation d'activité | |
Jury : | Président / Présidente : Marie-Christine Rousset |
Examinateurs / Examinatrices : Laurent Fesquet, Emmanuel Mazer, Eric Jonas | |
Rapporteurs / Rapporteuses : Olivier Sentieys, Sylvain Marchand |
Mots clés
Mots clés contrôlés
Résumé
L’ordinateur est sans aucun doute l’une des inventions les plus importantes du siècle dernier, dont l’impact ne peut être surestimé. Au fil des années, ils sont devenus de plus en plus puissants grâce à l’optimisation constante des processeurs. Avec un besoin croissant en puissance de calcul, et notamment à cause de l’IA, les processeurs sont devenus plus rapides que jamais. Cependant, à cause des limites physiques, la loi de Moore touche à sa fin. Par conséquent, il est nécessaire de proposer des alternatives. C’est le but de la communauté rebooting computing. Dans ce travail, nous nous proposons d’utiliser le calcul stochastique pour construire des architectures dédiées à l’inférence bayésienne visant une faible consommation d’énergie. Nous avons développé deux machines, à savoir la Bayesian machine (BM) et la Bayesian sampling machine (BSM). Dans cette thèse, nous nous intéresserons à deux applications de traitement du signal : la localisation de sources sonores (SSL) et la séparation de source. Pour la SSL, nous présentons trois méthodes utilisant la Bayesian machine. La première méthode fonctionne dans le domaine temps-fréquence, nécessitant le calcul de la transformée de Fourier. La deuxième est entièrement dans le domaine temporel. La troisième approche est une méthode de localisation multi-sources qui est basée sur la seconde. De plus, nous proposons une technique permettant d’accélérer le calcul stochastique d’un facteur 10 3 . Nous avons également développé une méthode de calcul des vraissemblances afin de réduire la mémoire de notre machine. Nous avons simulé les trois méthodes et fait des expérimentations en environnement réel. Nous présentons la consommation d’énergie obtenue via des simulations ASIC. Pour la seconde application, la séparation de source, nous introduisons une machine plus générale, la Bayesian sampling machine, qui est basée sur l’échantillonnage de Gibbs. Nous présentons une méthode basée sur l’échantillonnage pour séparer des source sonores. Cette méthode a été validée en simulation.