Techniques de conversion de voix appliquées à l imposture

Dimension: px
Commencer à balayer dès la page:

Download "Techniques de conversion de voix appliquées à l imposture"

Transcription

1 Techniques de conversion de voix appliquées à l imposture Patrick Perrot 1,2, Joseph Razik 2, Mathieu Morel 2, Houssemeddine Khemiri 2, et Gérard Chollet 2 1 Institut de Recherche Criminelle de la Gendarmerie Nationale, Département Signal-Image-Parole, 1 boulevard Théophile Sueur, Rosny sous bois, France. 2 CNRS-LTCI-Institut Telecom, Telecom-ParisTech, rue Dareau, Paris, France. Résumé L objet de cet article est de présenter une étude comparative à la fois subjective et objective de deux méthodes de conversion de voix et de proposer une nouvelle approche fondée sur une mise en cascade de ces deux techniques. Les critères d évaluation objectifs reposent sur un calcul de distorsion spectrale normalisée et une mesure de vraisemblance alors que les critères subjectifs se concentrent sur une information perceptive. L objectif de notre nouvelle approche est d améliorer le résultat de la conversion d un point de vue perceptif et du point de vue de plusieurs mesures spectrales. Les deux méthodes de base que nous étudions montrent un effet de conversion aux performances semblables. L approche en cascade que nous proposons donne des performances supérieures à ces deux méthodes quelques soient les critères choisis : 6% d amélioration pour la distorsion spectrale et 82% pour la vraisemblance, ainsi qu un léger accroissement de la qualité perceptive. Mots clés Conversion de voix, ALISP, GMM. 1 Introduction Le but de la conversion de voix est de transformer les caractéristiques du signal sonore d un locuteur source vers les caractéristiques d un locuteur cible afin qu un auditeur ou qu un système de reconnaissance automatique ne puisse pas détecter l imposture. La conversion de voix a de nombreuses applications : synthèse, doublage et personnalisation vocale. Les études en conversion de voix permettent également de mettre à l épreuve les systèmes de reconnaissance automatique du locuteur. Différentes méthodes ont été développées au sein de la littérature fondées par exemple sur une quantification vectorielle [1] ou une déformation dynamique du spectre [10]. Toutefois, la plupart de ces approches, bien qu efficace, génère généralement des artefacts dus à des problèmes de phases ou à la conversion des parties non voisées du signal sonore. Nous allons tout d abord nous intéresser à la méthode à base de mélanges de gaussiennes GMM (Gaussian Mixture Model) décrite par Stylianou [8] et améliorée par Kain et Toda [5,9] qui nous a servi de base. Puis nous présenterons la méthode utilisée par Perrot [6] fondée sur l utilisation du codeur-décodeur ALISP (Automatic Language Independent Speech Processing) [2,4]. Enfin, nous réaliserons une combinaison de ces deux approches afin de

2 P. Perrot, J. Razik, M. Morel, H. Khemiri et G. Chollet proposer une nouvelle technique de conversion indépendante du texte. L évaluation de ces différentes approches s effectuera à la fois de façon subjective par des tests perceptifs, et de façon objective par le calcul de mesures de similarités comme la vraisemblance et la distorsion spectrale normalisée. 2 Principe de la conversion de voix Le processus de conversion de voix se décompose en deux étapes : l apprentissage et la transformation. Durant la phase d apprentissage, une séquence de vecteurs spectraux est extraite d enregistrements parallèles alignés de la voix source et de la voix cible. L objectif de cette phase est de déterminer une fonction de conversion optimale qui permet de transformer les vecteurs sources en vecteurs cibles tout en minimisant l erreur quadratique moyenne entre ces vecteurs. La phase de transformation consiste à appliquer cette fonction de conversion aux paramètres de la voix source prononçant un texte quelconque. La plupart des techniques proposées dans la littérature s appuie sur une transformation de paramètres tels que les MFCC (Mel Frequency Cepstral Coefficient) ou les LSF (Linear Spectral Frequency). Concernant la fonction de transformation, différentes possibilités ont été étudiées : la quantification vectorielle [1], la régression linéaire multivariée LMR (Linear Multivariate Regression) [10], la déformation fréquentielle dynamique DFW (Dynamic Frequency Warping) [10], les GMM à partir de l estimation de l erreur quadratique [8] ou de l estimation de la probabilité conjointe entre source et cible [5,9]. 3 Conversion à base de mélanges de gaussiennes Initialement proposée par Stylianou, Kain et Toda [8,5,9], cette méthode constitue la base de nombreux systèmes de conversion de voix dont celui que nous proposons dans cet article. La paramétrisation des signaux acoustiques des voix source et cible est fondée sur une analyse HNM (Harmonic + Noise Model) [7]. Les paramètres HNM des trames voisées sont les amplitudes complexes des harmoniques et la fréquence fondamentale du signal. Les trames non voisées sont représentées par un bruit blanc filtré. A partir de ces paramètres, les MFCC discrets [3] sont calculés par la résolution d un système linéaire. Soit X = [x 1,..., x n ] la séquence de vecteurs spectraux caractéristiques des paroles prononcées par le locuteur source et Y = [y 1,..., y n ], la séquence correspondant à la même phrase prononcée par le locuteur cible. Afin que les séquences X (source) et Y (cible) aient la même taille n, elles ont été préalablement temporellement alignées par programmation dynamique DTW (Dynamic Time Warping). Soit x un vecteur source et y le vecteur cible correspondant, au lieu de déterminer une fonction de conversion entre les modélisations GMM de la voix source et de la voix cible, un seul modèle GMM de la probabilité de

3 Techniques de conversion de voix appliquées à l imposture densité conjointe P (x, y) est appris. C est-à-dire, soit z = [x y] le vecteur conjoint : Q P (z) = α q N q (z, µ q, Σ q ) (1) q=1 Où Q est le nombre de gaussiennes et α q, µ q, Σ q les poids et paramètres de la gaussienne q. Ces paramètres sont estimés par l algorithme itératif EM (Expectation Maximization) sur les données d apprentissage. La fonction de conversion F (x) qui minimise l erreur quadratique est alors définie comme l espérance E(y x) : F (x) = E(x y) = N q=1 P (x q)(µ y q + Σq yx (Σq xx ) 1 (x µ x )) (2) Avec P (x q) la probabilité a posteriori que x soit générée par la q ieme gaussienne. Pour l étape de transformation du signal source les paramètres HNM et MFCC discrets sont également extraits. La fonction de conversion F nous permet donc de prédire pour chaque vecteur x de la source, le vecteur y correspondant de la cible via l équation 2. Une fois les vecteurs MFCC discrets sources transformés, ils sont inversés afin de calculer l enveloppe spectrale du signal et ainsi d en estimer l amplitude des harmoniques et la fréquence fondamentale. Toutefois, la phase de ces harmoniques est estimée à partir de l enveloppe de la phase du signal source. Les trames non voisées ne sont pas converties car celles-ci ont une faible influence sur la perception de l identité de la voix. Enfin, une synthèse HNM par interpolation des phases et des amplitudes des harmoniques, ainsi que du pitch entre les trames contiguës est réalisée afin d obtenir le signal converti. 4 Conversion de voix à partir d ALISP ALISP est un codeur-décodeur de voix à très bas débit qui repose sur le principe d indexation de la voix au sein d une mémoire cliente d unités acoustiques [2]. Son principe est de coder, puis de synthétiser, le signal de parole à partir d unités acoustiques élémentaires issues d une décomposition temporelle du signal. Cette décomposition est indépendante de connaissances linguistiques a priori. A partir d un corpus d apprentissage constitué d exemples de la voix à coder, l ensemble des segments résultant de la décomposition temporelle est découpé en 64 classes par quantification vectorielle. Ces 64 classes permettront de définir 64 modèles de Markov cachés HMM (Hiden Markov Model) qui représenteront les unités acoustiques élémentaires constituant le dictionnaire de segments de cette voix. Un nouveau signal de parole pourra ainsi être codé en une séquence d index sur ce dictionnaire et c est cette séquence qui sera transmise à la place du signal lui-même. De plus, chaque segment du dictionnaire est codé par analyse HNM de façon à permettre une concaténation plus fine lors de l étape de synthèse.

4 P. Perrot, J. Razik, M. Morel, H. Khemiri et G. Chollet L application du principe de codeur-décodeur d ALISP à la conversion de voix nécessite plusieurs étapes. Tout d abord, le dictionnaire et les modèles HMM doivent être créés à partir d un corpus de la voix cible. Après une analyse HNM du signal de la voix source, la sélection des segments les plus proches spectralement de ceux de la voix cible est effectuée par les HMM et le signal est ainsi codé. Lors de la phase de décodage, les données alignées par DTW sont tout d abord concaténées, puis modifiées de façon à se rapprocher le plus possible des informations de prosodie cible. Ces données sont ensuite resynthétisées pour obtenir le signal converti. L impact de cette méthode de conversion sur un système automatique de reconnaissance de locuteur a été étudié dans un précédent article [6]. 5 Conversion combinée Dans cet article, nous proposons de combiner les deux méthodes précédemment décrites afin de prendre avantage de chacune des méthodes. En effet, la méthode ALISP est sensible au spectre du signal à coder afin de générer la meilleure suite d index qui corresponde à la voix cible. Or, en codant directement la voix source avec les paramètres (dictionnaire, HMMs) de la voix cible, la séquence obtenue n est pas assurément la meilleure. Ainsi, en effectuant préalablement une conversion de la voix source vers la voix cible par GMM, le signal résultant est spectralement bien plus proche de la voix cible. Effectuer le codage sur ce signal permettra donc d obtenir un codage-décodage plus précis et un signal convertie de meilleure qualité. 6 Expérimentation et résultats Nous avons évalué les différents systèmes de conversion décrits dans cet article à partir d un même protocole, d une même base de données et selon 3 critères. Pour un scénario d imposture plus réaliste, nous avons extrait 40 minutes d un discours énoncé par un homme politique qui constitue la voix cible. 10 minutes du discours ont été prononcées par trois hommes et une femme, dont 8 minutes pour l apprentissage des GMM (corpus parallèle) et 2 minutes pour les tests. Le dictionnaire ALISP a été construit à partir de 35 minutes du discours de la voix cible. Les phrases de tests sont distinctes de celles utilisées pour les apprentissages. Nous mesurons les performances des trois systèmes étudiés selon 3 critères : la distorsion spectrale normalisée, la vraisemblance et un sondage perceptif. 6.1 Evaluation de la conversion par la distorsion spectrale normalisée La mesure de distorsion spectrale normalisée est un critère couramment utilisé dans le domaine de la conversion de voix pour mesurer l écart entre la voix convertie et la voix cible. La distance spectrale entre les enveloppes de deux signaux x et y pour un instant t est donné par : p d x,y (t) = c x,k (t) c y,k (t) 2 (3) k=1

5 Techniques de conversion de voix appliquées à l imposture où c x,k (t) est le k ieme coefficient MFCC de x au temps t (resp. pour y). Soit x le signal source, y le signal converti et z le signal cible, alors la distance spectrale normalisée entre la source et la cible pour un signal de N trames est : DSN = Ni=1 d y,z (i) Ni=1 d x,z (i) (4) Cette distance vaut 1 si la voix convertie correspond à la voix source, 0 si elle correspond à la voix cible. La tableau 1 montre une amélioration des résultats fondés sur la conversion combinée. Même si la voix convertie est toujours plus proche de la voix source, elle se rapproche significativement de la voix cible par rapport aux deux autres techniques de conversion. 6.2 Evaluation de la conversion par la vraisemblance Une seconde mesure objective consiste à calculer la log-vraisemblance entre un modèle de la voix source, un modèle de la voix cible et les paramètres extraits de la voix convertie. Cette mesure est définie par l équation suivante : LLK(X) = log(p (X M c )) log(p (X M s )) (5) où P (X M s ) et P (X M c ) sont les probabilités que le signal converti X ait été produit respectivement par la voix source ou par la voix cible. Cette mesure montre également une amélioration significative des résultats pour la conversion combinée des deux méthodes GMM et ALISP (Tableau 1). Ces deux méthodes appliquées individuellement obtiennent des performances équivalentes. 6.3 Evaluation perceptive Outre les mesures objectives précédentes, nous proposons également une évaluation plus subjective mais indispensable car l écoute est également un critère important dans la détection d imposture. L objectif est aussi de mesurer le rendu qualitatif de ces conversions. Pour cela, nous avons demandé à 10 personnes d évaluer sur une échelle de 0 à 5 la qualité de la conversion de morceaux de phrases d environ 30 secondes. Pour chaque échantillon, le signal cible est présenté, puis le signal source et enfin le signal converti. Les 6 niveaux d évaluation (et leur pourcentage de perception respectif) se déclinent ainsi : 0 : impossible de déterminer si la voix correspond à la source ou à la cible, 1 : le signal ne semble pas avoir été converti (ressemble à la source) (0% à 20%), 2 : le signal commence à ressembler à la voix cible (20% à 40%), 3 : qualité de conversion assez bonne, rapprochement de la voix cible perçu (40% à 60%), 4 : perception significative de l effet de conversion (60% à 80%), 5 : conversion très réaliste (80% à 100%).

6 P. Perrot, J. Razik, M. Morel, H. Khemiri et G. Chollet Au regard de cette étude perceptive, la méthode en cascade révèle un niveau de qualité de conversion légèrement supérieur au deux autres méthodes, même si les synthèses proposées en matière d intelligibilité et d audibilité sont encore à améliorer (Tableau 1). Table 1. Ceci est la légende du tableau. Système de conversion GMM Mesure ALISP GMM+ALISP Confiance Distorsion spectrale 0,77 0,78 0,73 ±0,02 Score LLK 0,32 0,34 0,60 ±0,05 Test perceptif 1,5 1,5 2-7 Conclusion Les travaux présentés au sein de cet article propose une nouvelle approche pertinente de la conversion de voix. Celle-ci repose sur une utilisation de la conversion GMM qui déplace l espace acoustique de la voix source vers celle de la voix cible avant de transformer les nouveaux vecteurs par indexation au sein d un dictionnaire de la voix cible. L approche en cascade montre des performances supérieures aux deux méthodes utilisées individuellement (GMM, ALISP) quelques soient les critères choisis : 6% d amélioration pour la distorsion spectrale et 82% pour la vraisemblance. La perception de l intelligibilité n est pas encore parfaite mais la conversion est mieux ressentie par l approche combinée. Références 1. M. Abe, S. Nakamura, K. Shikano, and H. Kuwabara. Voice conversion through vector quantization. In ICASSP, pages , F. Bimbot, G. Chollet, P. Deleglise, and C. Montacie. Temporal decomposition and acoustic-phonetic decoding of speech. In ICASSP, pages , O. Cappé, J. Laroche, and E. Moulines. Regularized estimation of cepstrum envelope from discrete frequency points. In Proc. IEEE ASSP Workshop on applications of signal processing to audio and acoustics, G. Chollet, J. Cernocký, A. Constantinescu, S. Deligne, and F. Bimbot. Toward ALISP : Automatic Language Independent Speech Processing. Springer Verlag, A. Kain and M.W. Maccon. Spectral voice conversion for text to speech synthesis. In ICASSP, pages , P. Perrot, G. Aversano, R. Blouet, M. Charbit, and G. Chollet. Voice forgery using alisp :indexation in a client memory. In ICASSP, pages 17 20, Y. Stylianou. Applying the harmonic plus noise model in concatenative speech synthesis. Transaction SAP, 9(1) :21 29, Y. Stylianou and O. Cappé. Statistical methods for voice quality transformation. In EUROSPEECH, pages , T. Toda, A.W. Black, and K. Tokuda. Voice conversion based on maximum-likelihood estimation of spectral parameter trajectory. Trans Audio, Speech, and Language Processing, 15(8) : , H. Valbret, E. Moulines, and J.P. Tubach. Voice transformation using psola technique. In ICASSP, pages , 1992.

Codage de la parole. 2 ième année Master RFIA USTO-MB Cours R. Parole

Codage de la parole. 2 ième année Master RFIA USTO-MB Cours R. Parole Codage de la parole Le signal de parole est complexe et redondant. Il possède une grande variabilité. Pour que le système de reconnaissance de la parole fonctionne efficacement, les informations caractéristiques

Plus en détail

Débruitage de la parole (Speech enhancement)

Débruitage de la parole (Speech enhancement) Débruitage de la parole (Speech enhancement) Asmaa AMEHRAYE Sous l encadrement de: Mr D.Pastor Journée Scientifque TP'05 1 Plan Introduction Méthodes classiques Problématiques Apport de la psycho-acoustique

Plus en détail

La reconnaissance vocale

La reconnaissance vocale La reconnaissance vocale Théodore APAPOULLE Thibault CHATIRON 1 Plan Introduction Définition Applications de reconnaissance vocale Problématiques liées à la reconnaissance vocale Principe de fonctionnement

Plus en détail

Sélection de Paramètres pour la Discrimination Parole/non Parole d Emissions Radio Diffusées

Sélection de Paramètres pour la Discrimination Parole/non Parole d Emissions Radio Diffusées Sélection de Paramètres pour la Discrimination Parole/non Parole d Emissions Radio Diffusées Leila Zouari et Gérard Chollet CNRS-LTCI École Nat. Sup. des Télécommunications de Paris, Département Traitement

Plus en détail

RECONNAISSANCE AUTOMATIQUE DE LA PAROLE

RECONNAISSANCE AUTOMATIQUE DE LA PAROLE EPITA SCIA PROMO 2005 14-16 rue Voltaire 94270 Kremlin-Bicêtre RECONNAISSANCE AUTOMATIQUE DE LA PAROLE Calculatrice Vocale Novembre 2004 par: FRANCK BONNET BENJAMIN DEVÈZE MATHIEU FOUQUIN JULIEN JEANY

Plus en détail

Ecole d été - Cargèse. Représentation des signaux. Plan. Formule de Parseval. Représentation de Fourier. Qu est-ce que le Traitement du signal?

Ecole d été - Cargèse. Représentation des signaux. Plan. Formule de Parseval. Représentation de Fourier. Qu est-ce que le Traitement du signal? Qu est-ce que le Traitement du signal? But du Traitement du signal: Extraire un maximum d informations utiles sur un signal perturbé par le bruit Ecole d été - Cargèse Traitement du Signal pour la parole

Plus en détail

(51) Int Cl.: G10L 13/02 ( )

(51) Int Cl.: G10L 13/02 ( ) (19) (11) EP 1 846 918 B1 (12) FASCICULE DE BREVET EUROPEEN (4) Date de publication et mention de la délivrance du brevet: 2.02.09 Bulletin 09/09 (21) Numéro de dépôt: 080632.0 (22) Date de dépôt: 28.12.0

Plus en détail

AUGMENTATION DU TAUX DE FAUSSE ACCEPTATION PAR TRANSFORMATION INAUDIBLE DE LA VOIX DES IMPOSTEURS

AUGMENTATION DU TAUX DE FAUSSE ACCEPTATION PAR TRANSFORMATION INAUDIBLE DE LA VOIX DES IMPOSTEURS AUGMENTATION DU TAUX DE FAUSSE ACCEPTATION PAR TRANSFORMATION INAUDIBLE DE LA VOIX DES IMPOSTEURS Jean-François Bonastre, Driss Matrouf, Corinne Fredouille LIA, Université d Avignon Agroparc, BP 1228 84911

Plus en détail

Implémentation de l'algorithme de reconnaissance du locuteur

Implémentation de l'algorithme de reconnaissance du locuteur Implémentation de l'algorithme de reconnaissance du locuteur 1 Mixtures de Gaussiennes - 1 gaussienne 1D seule = 1 moyenne + 1 variance - dans un GMM (à matrice de covariance diagonale) 1 gaussienne 1D

Plus en détail

Application de l analyse multi-résolution à la segmentation de corpus de parole dédiés à la synthèse vocale

Application de l analyse multi-résolution à la segmentation de corpus de parole dédiés à la synthèse vocale Application de l analyse multi-résolution à la segmentation de corpus de parole dédiés à la synthèse vocale Safaa Jarifi 1, Dominique Pastor 1, et Olivier Rosec 2 1 École Nat. Sup. des Télécommunications

Plus en détail

SEGMENTATION AUTOMATIQUE DE CORPUS DE

SEGMENTATION AUTOMATIQUE DE CORPUS DE SEGMENTATION AUTOMATIQUE DE CORPUS DE PAROLE CONTINUE DÉDIÉS À LA SYNTHÈSE VOCALE Safaa JARIFI 1 Dominique PASTOR 1 Olivier ROSEC 2 1 Département SC GET-ENST Bretagne, Brest 2 France Télécom R&D, Lannion

Plus en détail

UV Théorie de l Information. Quantification scalaire UNIFORME

UV Théorie de l Information. Quantification scalaire UNIFORME Cours n 7 : UV Théorie de l Information Compression de l information Codage de source avec distorsion : Quantification scalaire Quantification vectorielle Prediction linéaire 1 Quantification scalaire

Plus en détail

Réseaux de neurones Multicouches

Réseaux de neurones Multicouches Réseaux de neurones Multicouches Partie 1 Caractérisé par: état interne s S voisinage s 1,., s n fonction de transfert f changement d état s=f(s 1, s 2,.,s n ) s 1 s 2 Neurone élémentaire s=f(s 1, s 2,.,s

Plus en détail

Reconnaissance des sons de l environnement dans un contexte domotique

Reconnaissance des sons de l environnement dans un contexte domotique Reconnaissance des sons de l environnement dans un contexte domotique Mohamed El Amine SEHILI ESIGETEL-TSP Le 05 Juillet 2013 Directeur de thèse : Bernadette Dorizzi (Télécom SudParis) Co-encadrants :

Plus en détail

TP Parole Reconnaissance de mots isolés

TP Parole Reconnaissance de mots isolés TP Parole Reconnaissance de mots isolés But du TP Le but de ce TP est de réaliser un classifieur de mots parlés. Pour cela on distingue trois grandes étapes : L acquisition des signaux qui constitueront

Plus en détail

Automatic News Transcription System v3.0. LORIA Nancy Equipe PAROLE

Automatic News Transcription System v3.0. LORIA Nancy Equipe PAROLE Automatic News Transcription System v3.0 LORIA Nancy Equipe PAROLE Participants LORIA Modèles acoustiques Christophe Cerisara Dominique Fohr Irina Illina Odile Mella Modèles de langage Armelle Brun David

Plus en détail

Identification Musicale à l aide de Technologies Vocales

Identification Musicale à l aide de Technologies Vocales Identification Musicale à l aide de Technologies Vocales Hugo Mauchrétien, Georges Linarès, Corinne Fredouille et Tania Jiménez. CERI-LIA Avignon - BP1228-84911 Avignon Cedex 9 - France Contact : hugo.mauchretien@etd.uapv.fr

Plus en détail

Reconnaissance Automatique de la Parole

Reconnaissance Automatique de la Parole Présentation du module de Décodage acoustique B. Jacob IC2/LIUM November 2, 2010 Plan 1 Introduction 2 Survol de la paramétrisation du signal 3 Outils de reconnaissance 4 Apprentissage des MMC 5 Décodage

Plus en détail

COMPTE RENDU DE REUNION

COMPTE RENDU DE REUNION COMPTE RENDU DE REUNION Réf. TBR/TSI/LMM/PG,00/039/CRR Le : 28 Septembre 2000 Rédacteur : Philippe Gournay Affaire : SYMPATEX Date de la réunion : 27 Septembre 2000 Objet de la réunion : Lieu : Compte-rendu

Plus en détail

Analyse d algorithmes distribués pour l approximation stochastique dans les réseaux de capteurs

Analyse d algorithmes distribués pour l approximation stochastique dans les réseaux de capteurs Analyse d algorithmes distribués pour l approximation stochastique dans les réseaux de capteurs Directeur de thèse: Pascal BIANCHI Département: Traitement du Signal et des Images Télécom ParisTech 05/03/2015

Plus en détail

BREVET DE TECHNICIEN SUPERIEUR SYSTEMES ELECTRONIQUES

BREVET DE TECHNICIEN SUPERIEUR SYSTEMES ELECTRONIQUES BREVET DE TECHNICIEN SUPERIEUR SYSTEMES ELECTRONIQUES EPREUVE E4 Etude d un Système Technique Unité U4.2 PHYSIQUE APPLIQUEE Durée : 4 heures coefficient : 4 Systèmes électroniques embarqués dans la C6

Plus en détail

Séparation de sources par factorisation en matrices non-négatives informée

Séparation de sources par factorisation en matrices non-négatives informée Séparation de sources par factorisation en matrices non-négatives informée 1 Introduction Le problème séparer les différentes sources qui composent un signal de musique dans le cas où l on dispose uniquement

Plus en détail

M1-Mathématiques Appliquées 2ème partie: Modèle linéaire. Christine Keribin 2015-2016

M1-Mathématiques Appliquées 2ème partie: Modèle linéaire. Christine Keribin 2015-2016 1/50 M1-Mathématiques Appliquées 2ème partie: Modèle linéaire 1 Laboratoire de Mathématiques Université Paris-Sud 2015-2016 2/50 Bibliographie I V. Rivoirard et G. Stoltz. en action. Vuibert, Paris, 2009.

Plus en détail

Expertise du dossier Stockage géologique de CO2 sur le site de Rousse Réseau d écoute micro-sismique

Expertise du dossier Stockage géologique de CO2 sur le site de Rousse Réseau d écoute micro-sismique Mines Paristech / Armines Centre de Géosciences / Géophysique Expertise du dossier Stockage géologique de CO2 sur le site de Rousse Réseau d écoute micro-sismique 2009-10-28.1 Fontainebleau, 28 Octobre

Plus en détail

Modèles Mathématiques pour l'image Méthodes de Classication (II)

Modèles Mathématiques pour l'image Méthodes de Classication (II) 1/1 Modèles Mathématiques pour l'image Méthodes de Classication (II) Julie Digne LIRIS - Équipe GeoMod - CNRS 10 Décembre 2015 2/1 Previously in Modèles Mathématiques pour l'image On a vu: Comment et pourquoi

Plus en détail

Reconnaissance de la parole par distance DTW Exemple d application pour la reconnaissance de chiffres isolés dans la langue arabe

Reconnaissance de la parole par distance DTW Exemple d application pour la reconnaissance de chiffres isolés dans la langue arabe Reconnaissance de la parole par distance DTW Exemple d application pour la reconnaissance de chiffres isolés dans la langue arabe Abderrahmane BENDAHMANE Laboratoire SIMPA Département d informatique Université

Plus en détail

Construction d un corpus robuste de différents dialectes arabes

Construction d un corpus robuste de différents dialectes arabes Construction d un corpus robuste de différents dialectes arabes Mohamed BELGACEM Laboratoire LIDILEM, Grenoble, France Laboratoire UTIC, Tunisie Tél. : ++33 (0) 6 33 88 18 98 Courriel : mohamed.belgacem@e.u-grenoble3.fr

Plus en détail

Localisation par Mesures du RSS

Localisation par Mesures du RSS Localisation par Mesures du RSS Id Services Université Paris Sud (Universitégéolocalisation Paris Sud) Indoor 1 / 14 Motivation Objectif? Par quels moyens? Tracking d un mobile en milieu confiné (Indoor,

Plus en détail

Recalage d images 2D et 3D

Recalage d images 2D et 3D Recalage d images 2D et 3D Isabelle Bloch http://www.tsi.enst.fr/ bloch Ecole Nationale Supérieure des Télécommunications - CNRS UMR 5141 LTCI Paris - France Recalage p.1/35 Introduction Intérêt et nécessité

Plus en détail

LA GESTION DES COULEURS

LA GESTION DES COULEURS LA GESTION DES COULEURS LA GESTION DES COULEURS Introduction Même si les principes de reproduction des couleurs sont connus depuis le début du XX e siècle, il est toujours difficile d imprimer avec exactitude

Plus en détail

Les Convertisseurs A/N & N/A

Les Convertisseurs A/N & N/A Les Convertisseurs A/N & N/A.Conversion Numérique-Analogique (N/A) 2.Conversion Analogique-Numérique (A/N) 3.Echantillonnage du signal 4.Nombre de bits effectifs (ENOB) 5.Non-linéarités (DNL & INL) 6.Sur-échantillonnage

Plus en détail

Modèles de Markov cachés principes et exemples

Modèles de Markov cachés principes et exemples Principe Modèles de Markov cachés principes et exemples IMA5, filière sys. communiquants, module IHM Un ensemble d états possibles : Processus passe d un état à l autre, générant ainsi une séquence Principe

Plus en détail

Bases mathématiques et notion nécessaires en traitement du signal (3h). Analyse automatique des signaux audio et de parole (9h): Le signal de parole

Bases mathématiques et notion nécessaires en traitement du signal (3h). Analyse automatique des signaux audio et de parole (9h): Le signal de parole Bases mathématiques et notion nécessaires en traitement du signal (3h). Analyse automatique des signaux audio et de parole (9h): Le signal de parole : analyse, unités pertinentes et variabilité, Modélisation

Plus en détail

Etude et Evaluation de la Di-syllabe comme Unité Acoustique pour le Système de Synthèse Arabe PARADIS. h h Dictionnaire De di-syllabes

Etude et Evaluation de la Di-syllabe comme Unité Acoustique pour le Système de Synthèse Arabe PARADIS. h h Dictionnaire De di-syllabes Etude et Evaluation de la Di-syllabe comme Unité Acoustique pour le Système de Synthèse Arabe PARADIS N. Chenfour 1, A. Benabbou 2, A. Mouradi 3 1 Faculté des Sciences de Fès, chenfour@yahoo.fr 2 Faculté

Plus en détail

Audio Numérique Notes de cours année 2006/2007. 1 Complément sur la TFD, illustration sous Pure Data

Audio Numérique Notes de cours année 2006/2007. 1 Complément sur la TFD, illustration sous Pure Data Audio Numérique Notes de cours année 2006/2007 Marc Ferràs - Thomas Pellegrini LIMSI-CNRS Pour cette séance, vous devez rédiger un compte-rendu de TP à rendre à la fin de la séance. 1 Complément sur la

Plus en détail

Développement d un système de reconnaissance de parole avec HTK

Développement d un système de reconnaissance de parole avec HTK Développement d un système de reconnaissance de parole avec HTK HTK (pour Hidden Markov Model Toolkit ou «boîte à outils pour modèles de Markov cachés») est un ensemble de librairies et de programmes en

Plus en détail

1. Introduction. 2. Extraction d observation à partir du signal audio. TP ATIAM, Structuration et résumé audio Mardi 27 janvier 2009 14h00 17h30

1. Introduction. 2. Extraction d observation à partir du signal audio. TP ATIAM, Structuration et résumé audio Mardi 27 janvier 2009 14h00 17h30 Sujet : Date : Auteur : TP ATIAM, Structuration et résumé audio Mardi 7 janvier 009 14h00 17h30 Geoffroy Peeters 1. Introduction Ce TP vise à construire un système simple mais complet de création de résumé

Plus en détail

Les mots et leur structure

Les mots et leur structure Communication Langagière Ingénierie des langues et de la parole 1. Introduction générale 2. Ingénierie des langues 2.1 Représentation et codage des textes 2.2 Théorie de l information et probabilités 2.3

Plus en détail

Rappel Protocole IP, numérisation de la voix et modulation

Rappel Protocole IP, numérisation de la voix et modulation Rappel Protocole IP, numérisation de la voix et modulation 1.1. Généralités Le terme générique VoIP (Voice Over Internet Protocole) désigne toutes les solutions permettant le transport de la parole sur

Plus en détail

Traitement d images numériques

Traitement d images numériques olivier.bernard@creatis.insa-lyon.fr Traitement d images numériques Analyse d images: 3 ème partie Département Génie Electrique 5GE - TdSi Sommaire I. Introduction II. Fondamentaux en imagerie numérique

Plus en détail

INSTITUT POLYTECHNIQUE DE GRENOBLE

INSTITUT POLYTECHNIQUE DE GRENOBLE INSTITUT POLYTECHNIQUE DE GRENOBLE N attribué par la bibliothèque T H E S E E N C O T U T E L L E I N T E R N A T I O N A L E pour obtenir le grade de DOCTEUR DE L Institut Polytechnique de Grenoble et

Plus en détail

Audio Vidéo MPEG.

Audio Vidéo MPEG. Audio Vidéo MPEG 1- Objectif, introduction Comprendre les principes et l environnement de développement de MPEG Les standards MPEG Constitutions de MPEG 1, 2, 4 (part) Les bases de la compression MPEG-2

Plus en détail

Chapitre 9: Introduction aux tests statistiques

Chapitre 9: Introduction aux tests statistiques Chapitre 9: Introduction aux tests statistiques 1. Approche 2. Formalisme général d un test statistique 3. P-value 4. Intervalle de confiance 5. Test bilatéral et test unilatéral 1 1. Approche Procédé

Plus en détail

L isolation acoustique dans les habitations à ossature en bois

L isolation acoustique dans les habitations à ossature en bois L isolation acoustique dans les habitations à ossature en bois Une construction à ossature en bois offre de multiples avantages, tels que, par exemple, la rapidité de réalisation, le poids réduit sur les

Plus en détail

L authentification biométrique vocale

L authentification biométrique vocale L authentification biométrique vocale Jean-François Bonastre jean-francois.bonastre@lia.univ-avignon.fr www.lia.univ-avignon.fr 17 Mars 2005 Contexte A partir d un signal de parole, des informations de

Plus en détail

Bases de données multimédia VIII indexation vidéo & audio

Bases de données multimédia VIII indexation vidéo & audio Bases de données multimédia VIII indexation vidéo & audio ENSIMAG 2014-2015 Matthijs Douze & Karteek Alahari Plan Spécificité du problème Filtrage temporel Détecteur spatio-temporels Aggrégation temporelle

Plus en détail

Présenter et soutenu par: Amadou Boubacar Diabiri

Présenter et soutenu par: Amadou Boubacar Diabiri RÉPUBLIQUE DU NIGER MINISTÈRE DES ENSEIGNEMENT SECONDAIRE ET SUPERIEUR DE LA RECHERCHE ET DE LA TECHNOLOGIE MINISTÈRE DE LA FORMATION PROFESSIONNELLE ET TECHNIQUE INSTITUT AFRICAIN DE TECHNOLOGIE (IAT)

Plus en détail

La voix pour l'identification des personnes

La voix pour l'identification des personnes La voix pour l'identification des personnes SÛRETÉ DANS LES TRANSPORTS "Identification et Surveillance" Jean-François Bonastre jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr 14 Décembre

Plus en détail

Etude Comparative des Performances de Plusieurs Techniques de Détection de la Fréquence Fondamentale des Signaux Vocaux

Etude Comparative des Performances de Plusieurs Techniques de Détection de la Fréquence Fondamentale des Signaux Vocaux Etude Comparative des Performances de Plusieurs Techniques de Détection de la Fréquence Fondamentale des Signaux Vocaux F. Ykhlef 1, R. Amiar 1, S. Hecini 1, W. Benzaba 1, L. Bendaouia 1 1 Architectures

Plus en détail

M1108 : Acquisition et codage de l information

M1108 : Acquisition et codage de l information 1/74 M1108 : Acquisition et codage de l information Frédéric PAYAN IUT Nice - Côte d Azur, Département R&T Université de Nice Sophia Antipolis frederic.payan@unice.fr 17 novembre 2016 2/74 Présentation

Plus en détail

Taux de Rendement Interne (TRI)

Taux de Rendement Interne (TRI) PRINCIPAUX CRITÈRES DE SÉLECTION DES PROJETS 4 Principes fondamentaux Définition Il s agit du taux d actualisation qui rend nulle la VAN de base (voir calculs pages 145 et 146), ou par extension, la VANR.

Plus en détail

Cours 9! Introduction à la Reconnaissance des Formes (RdF)! Analyse de données, classification dʼimages!

Cours 9! Introduction à la Reconnaissance des Formes (RdF)! Analyse de données, classification dʼimages! Bases du traitement des images BIMA Cours 9! Introduction à la Reconnaissance des Formes (RdF)! Analyse de données, classification dʼimages! Prof. Matthieu Cord! 1 Plan 1. Introduction, problématiques

Plus en détail

Stabilisation d Images

Stabilisation d Images Stabilisation d Images Erwan Le Martelot 23 mars 2005 Table des matières Introduction 2 1 Principe de la stabilisation d images 2 2 Stabilisation Numérique 2 2.1 Principe..............................

Plus en détail

G.S.M. Réseau Mobile dédié au Transport de la Voix. Introduction

G.S.M. Réseau Mobile dédié au Transport de la Voix. Introduction G.S.M. Réseau Mobile dédié au Transport de la Voix MM Version 06 1 Introduction Fonctionnalité : La Technologie GSM est utilisée pour offrir un service de transport de la voix numérisée. Grandes Lignes

Plus en détail

UV Théorie de l Information. Introduction

UV Théorie de l Information. Introduction Cours n 1 2 UV Théorie de l Information Introduction à la théorie de l information Caractérisation des sources d information Notions de probabilité (Rappel) Entropie et Information Entropie des sources

Plus en détail

Def Spec Est Valid Prev Appli Inter. ARMA models. Laurent Ferrara. Master 2 EIMPC Université Paris Ouest Octobre 2011

Def Spec Est Valid Prev Appli Inter. ARMA models. Laurent Ferrara. Master 2 EIMPC Université Paris Ouest Octobre 2011 ARMA models Laurent Ferrara Master 2 EIMPC Université Paris Ouest Octobre 2011 Overview 1. Définition 2. Spécification 3. Estimation 4. Tests 5. Prévision 6. Applications 6.1 Stock prices : BNP-Paribas

Plus en détail

Vincent Lanfranchi. Habilitation à Diriger des Recherches

Vincent Lanfranchi. Habilitation à Diriger des Recherches Contribution à l étude des phénomènes couplés (multi-physiques et systèmes) pour la conception et la commande des actionneurs électriques LABORATOIRE ELECTROMECANIQUE DE COMPIEGNE Vincent Lanfranchi Habilitation

Plus en détail

Choix des matériaux acoustiques pour une salle de conférence. Compétences travaillées ou évaluées : S approprier, analyser, réaliser, valider

Choix des matériaux acoustiques pour une salle de conférence. Compétences travaillées ou évaluées : S approprier, analyser, réaliser, valider Physique-Chimie Programme de Terminale S - Enseignement de spécialité Choix des matériaux acoustiques pour une salle de conférence Thème : Son et musique Type de ressources : Activité documentaire Domaine

Plus en détail

TUTORAT UE4 2010-2011 Biostatistiques Séance n 4 - Colle Semaine du 1/11/2010

TUTORAT UE4 2010-2011 Biostatistiques Séance n 4 - Colle Semaine du 1/11/2010 TUTORAT UE4 2010-2011 Biostatistiques Séance n 4 - Colle Semaine du 1/11/2010 Séance préparée par les tuteurs de l UE4 Sauf mention contraire, les tests sont réalisés en bilatéral avec α=5% QCM n 1 : Concernant

Plus en détail

Analyse de FOURIER +[ ( ) + ( )]

Analyse de FOURIER +[ ( ) + ( )] Analyse de FOURIER I. Analyse de Fourier : Décomposition harmonique : toute fonction périodique (son musical) peut être décomposé en une somme (infinie) de fonctions sinus et cosinus. Un signal est la

Plus en détail

Documents de Physique-Chimie M. MORIN

Documents de Physique-Chimie M. MORIN 1 Thème : Lois et modèles Partie : Energie, matière et environnement. Cours 32 : Analogique-Numérique I. Transmission d une information. 1. La chaine de transmission. Information Information codée Information

Plus en détail

Le Tr optimal : Facteur d une bonne acoustique.

Le Tr optimal : Facteur d une bonne acoustique. TOMIC Marina Année 2004-2005 VERITE Morgane TS1 Le Tr optimal : Facteur d une bonne acoustique. Etude de cas : la grande salle de l opéra Bastille. Introduction Chaque oeuvre musicale requiert une acoustique

Plus en détail

Technologies Radio-Fréquence de localisation Indoor

Technologies Radio-Fréquence de localisation Indoor B U L L E T I N T E C H N I Q U E N 2 1 Technologies Radio-Fréquence de localisation Indoor Introduction Aujourd hui, les progrès techniques, la libération des fréquences et la standardisation des protocoles

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite): Paramétrisation Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale Paramétrisation Distances

Plus en détail

représenter les sons Patrick Flandrin CNRS - Laboratoire de Physique

représenter les sons Patrick Flandrin CNRS - Laboratoire de Physique représenter les sons Patrick Flandrin CNRS - Laboratoire de Physique quelques questions autour des sons enregistrer nature physique reproduire synthèse, perception transmettre codage, compression comprendre

Plus en détail

TP OP3 - Traitement Automatique de la Parole

TP OP3 - Traitement Automatique de la Parole TP OP3 - Traitement Automatique de la Parole Master 1 informatique jerome.farinas@irit.fr Institut de Recherche en Informatique de Toulouse Université Paul Sabatier 5 mars 2009 jerome.farinas@irit.fr (IRIT)

Plus en détail

MODELISATION NEURO-PREDICTIVE POUR LA CLASSIFICATION PHONETIQUE DE LA LANGUE ARABE

MODELISATION NEURO-PREDICTIVE POUR LA CLASSIFICATION PHONETIQUE DE LA LANGUE ARABE Courrier du Savoir N 17, Décembre 2013, pp.87-91 MODELISATION NEURO-PREDICTIVE POUR LA CLASSIFICATION PHONETIQUE DE LA LANGUE ARABE M.DIDICHE 1 & A.DEBILOU 2 Laboratoire de l identification commande, contrôle

Plus en détail

EXERCICES SUR LE COURS DE TRANSMISSIONS NUMERIQUES

EXERCICES SUR LE COURS DE TRANSMISSIONS NUMERIQUES EXERCICES SUR LE COURS DE TRANSMISSIONS NUMERIQUES Première année télécommunications et réseaux 204 205 I. EXERCICE : SIGNAL BIPHASE On veut générer un signal de type biphase dans lequel les bits à seront

Plus en détail

Recherche Opérationnelle

Recherche Opérationnelle FSTM Recherche Opérationnelle Introduction à la méthode du simplexe Karam ALLALI K. Allali 2 Méthode de résolution algébrique : l algorithme du simplexe - Pour des modèles linéaires continus dont les variables

Plus en détail

Une empreinte audio à base d ALISP appliquée à l identification audio dans un flux radiophonique

Une empreinte audio à base d ALISP appliquée à l identification audio dans un flux radiophonique Une empreinte audio à base d ALISP appliquée à l identification audio dans un flux radiophonique H. Khemiri 1,2 D. Petrovska-Delacrétaz 1 G. Chollet 2 1 Département Electronique et Physique TELECOM SudParis,

Plus en détail

Gaël RICHARD Télécom Paris LTCI-CNRS

Gaël RICHARD Télécom Paris LTCI-CNRS ACI Masse de données : le projet MusicDiscover Gaël RICHARD Télécom Paris LTCI-CNRS Plan Introduction Le projet MusicDiscover Verrous Organisation du projet Exemples de travaux en cours Analyse du rythme

Plus en détail

1- Son / Signal sonore

1- Son / Signal sonore SOMMAIRE 1. Son / Signal sonore 2. Critères d appréciations du son 3. Caractéristiques physiques du signal sonore 4. Représentations visuelles du signal sonore 5. Les différentes familles du son. 1- Son

Plus en détail

Gestionnaire responsable (Titre) Date de mise en œuvre prévue. Conclusions Recommandations Réponse de la direction Plan d action

Gestionnaire responsable (Titre) Date de mise en œuvre prévue. Conclusions Recommandations Réponse de la direction Plan d action RÉPONSE DE LA DIRECTION ET DE PLAN D ACTION TITRE DU PROJET : Évaluation du services du droit fiscal CENTRE DE RESPONSABILITÉ : services du droit fiscal () Conclusions Recommandations Réponse de la direction

Plus en détail

Reconnaissance de parole non native fondée sur l utilisation de confusion phonétique et de contraintes graphèmiques

Reconnaissance de parole non native fondée sur l utilisation de confusion phonétique et de contraintes graphèmiques Reconnaissance de parole non native fondée sur l utilisation de confusion phonétique et de contraintes graphèmiques Ghazi Bouselmi, Dominique Fohr, JeanPaul Haton, Irina Illina To cite this version: Ghazi

Plus en détail

Chapitre 2. Test de comparaison d une moyenne à une valeur théorique. Test bilatéral pour une population de loi normale et d écart-type connu

Chapitre 2. Test de comparaison d une moyenne à une valeur théorique. Test bilatéral pour une population de loi normale et d écart-type connu Chapitre 2 Test de comparaison d une moyenne à une valeur théorique I Test bilatéral pour une population de loi normale et d écart-type connu 24 Exemple 1 Score d Achenbach : mesure les problèmes comportementaux

Plus en détail

Statistique - Tests d hypothèses. Exercices

Statistique - Tests d hypothèses. Exercices Module 2101 Statistique - Tests d hypothèses Exercices Fabrice Heitz Septembre 2013 1 Tests sur une seule population (comparaison par rapport à une référence) Exercice 1 : Test sur la moyenne : réglage

Plus en détail

Étude de la Paramétrisation RASTA PLP en vue de la Reconnaissance Automatique de la Parole Arabe

Étude de la Paramétrisation RASTA PLP en vue de la Reconnaissance Automatique de la Parole Arabe SETIT 2009 5 th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 22-26, 2009 TUNISIA Étude de la Paramétrisation RASTA PLP en vue de la Reconnaissance

Plus en détail

I. La modélisation 3. x it+1 = f(x 1t,x 2t,...,x nt )

I. La modélisation 3. x it+1 = f(x 1t,x 2t,...,x nt ) I. La modélisation 3 l approche dynamique de la modélisation. Dynamique temporelle en général, mais aussi dynamique que l on qualifiera de «contingente» quand on veut tester un système quelconque pour

Plus en détail

P2: Perception auditive

P2: Perception auditive P2: Perception auditive Daniel Pressnitzer Laboratoire des Systèmes Perceptifs, CNRS & Département d études cognitives, Ecole normale supérieure 29 rue d Ulm, 75230 Paris cedex 05 daniel.pressnitzer@ens.fr

Plus en détail

Codage et Compression de données. Codage et Compression de données

Codage et Compression de données. Codage et Compression de données Département R&T IUT Nice Côte d Azur Université de Nice - Sophia Antipolis Frédéric Payan (MCF UNS) Quantification scalaire Notions Principe de la quantification La quantification consiste à représenter

Plus en détail

Master MVA. Effets sonores Réverbération. Gaël RICHARD Janvier «Licence de droits d'usage"

Master MVA. Effets sonores Réverbération. Gaël RICHARD Janvier «Licence de droits d'usage Master MVA Effets sonores Réverbération Gaël RICHARD Janvier 2016 «Licence de droits d'usage" http://formation.enst.fr/licences/pedago_sans.htm 1 Effets sonores Effets Compression/Expansion Limiteur Flanging

Plus en détail

Morphologie mathématique

Morphologie mathématique Morphologie mathématique Introduction à l analyse d images Luc Brun (d après le cours de M. Coster) Morphologie mathématique p.1/21 Qu est ce qu une image source capteur Disque surface Une image correspond

Plus en détail

Organiser l achat groupé de produits, services ou marchandises

Organiser l achat groupé de produits, services ou marchandises Organiser l achat groupé de produits, services ou marchandises Objectif Assurer un des achats utiles, efficaces et respectueux de l environnement pour des produits, des services, des marchandises ou des

Plus en détail

Reconnaissance automatique de la parole. Introduction ERMITES Organisation de la présentation. Partie II. Historique de la recherche en TAP (2)

Reconnaissance automatique de la parole. Introduction ERMITES Organisation de la présentation. Partie II. Historique de la recherche en TAP (2) Introduction Structuration automatique de documents AV : de la recherche d événements saillants et de la caractérisation de l environnement à la structuration du document ERMITES 2008 http://www.irit.fr/~jerome.farinas/ermites2008/

Plus en détail

Les problèmes de mesure de sensibilité du cycle réel au cycle financier

Les problèmes de mesure de sensibilité du cycle réel au cycle financier Les problèmes de mesure de sensibilité du cycle réel au cycle financier Au cours des années récentes, de nombreux travaux ont porté sur l existence d une relation entre les cycles des prix d actifs financiers

Plus en détail

Sources d information : lexicale. Sources d information : phonotactique. Sources d information : prosodie (2/3) Sources d information : prosodie (1/3)

Sources d information : lexicale. Sources d information : phonotactique. Sources d information : prosodie (2/3) Sources d information : prosodie (1/3) Organisation de la présentation Reconnaissance automatique des langues RMITS 28 http://www.irit.fr/~jerome.farinas/rmits28/ Jérôme Farinas jerome.farinas@irit.fr Équipe SAMOVA (Structuration, Analyse et

Plus en détail

Numérisation des signaux. Licence Pro Leçon 1

Numérisation des signaux. Licence Pro Leçon 1 Numérisation des signaux Licence Pro Leçon . Analogique - Numérique.. Définitions a/ L enregistrement numérique consiste à convertir le signal électrique en une suite de nombres dont chacun représente

Plus en détail

Segmentation thématique : apport de la vectorisation

Segmentation thématique : apport de la vectorisation Segmentation thématique : apport de la vectorisation Vincent Claveau * Sébastien Lefèvre ** * IRISA-CNRS ** VALORIA, Université de Bretagne-Sud Campus de Beaulieu Campus de Tohannic F-35042 Rennes cedex

Plus en détail

Corrigé du baccalauréat ES Asie 16 juin 2015

Corrigé du baccalauréat ES Asie 16 juin 2015 Corrigé du baccalauréat ES Asie 16 juin 015 EXERCICE 1 Commun à tous les candidats Aucune justification n était demandée dans cet exercice. 5 points 1. On lance une pièce de monnaie bien équilibrée 10

Plus en détail

APPLICATION AUX POUTRES

APPLICATION AUX POUTRES APPLICATION AU POUTRE 1 Cinématique 1.1 Géométrie Une poutre est un solide engendré par une aire plane qui est déplacée dans l espace de manière que durant son mouvement, le centre de gravité G de la section

Plus en détail

Tatouage d images couleur. A. Parisis et P. Carré

Tatouage d images couleur. A. Parisis et P. Carré Tatouage d images couleur A. Parisis et P. Carré Sécurisation de document Cryptographie Cryptologie Protection d un document pendant sa transmission Stéganographie Dissimulation d un message dans un autre

Plus en détail

H. Satori et al. 3.1 Corpus. 2.2. Installation

H. Satori et al. 3.1 Corpus. 2.2. Installation Système de Reconnaissance Automatique de l arabe basé sur CMUSphinx H. Satori (1, 2), M. Harti (1, 2), and N. Chenfour (1, 2). (1) : UFR Informatique et Nouvelles Technologies d'information et de Communication

Plus en détail

Turbo Egalisation MIMO pour canaux sélectifs en fréquences

Turbo Egalisation MIMO pour canaux sélectifs en fréquences Turbo Egalisation MIMO pour canaux sélectifs en fréquences Nicolas Le Josse Contexte d études: contrat FTR&D Département Signal et Communications 6 Novembre 2006 /3 Sommaire Introduction aux systèmes MIMO

Plus en détail

L agence d audit et de notation du numérique. La confiance pour le financement et l investissement du numérique

L agence d audit et de notation du numérique. La confiance pour le financement et l investissement du numérique L agence d audit et de notation du numérique La confiance pour le financement et l investissement du numérique Edito Laurent Briziou CEO exaegis Investir c est prédire! Et pour cela, mieux vaut être très

Plus en détail

Extraction des contours labiaux par algorithmes génétiques multicritères hybrides

Extraction des contours labiaux par algorithmes génétiques multicritères hybrides Extraction des contours labiaux par algorithmes génétiques multicritères hybrides Page 1 I. Présentation II. État de l art III. Nos algorithmes IV. Implémentation - Sommaire - multi-énergies initialisation

Plus en détail

Introduction au traitement d images

Introduction au traitement d images Introduction au traitement d Traitements de base Nicholas Journet 12 janvier 2011 Plan Semaine 1 : Introduction Traitements de base en image Semaine 2 : Amélioration d et détection de contours Semaine

Plus en détail

Définition. Caractéristiques

Définition. Caractéristiques RESPONSABILISER LES GESTIONNAIRES La responsabilisation des gestionnaires constitue la pierre angulaire de la démarche de modernisation de la gestion publique, cependant elle suscite de nombreuses interrogations

Plus en détail

Fenêtre et grille optimales pour la transformée de Gabor Exemples d application à l analyse audio

Fenêtre et grille optimales pour la transformée de Gabor Exemples d application à l analyse audio Fenêtre et grille optimales pour la transformée de Gabor Exemples d application à l analyse audio Hélène Lachambre, Benjamin Ricaud, Guillaume Stempfel, Bruno Torresani, Christoph Wiesmeyr, Darian Onchis-Moaca

Plus en détail

Notes du cours RFIDEC (5)

Notes du cours RFIDEC (5) 1 Notes du cours RFIDEC (5) Jean-Yves Jaffray 20 janvier 2006 1 Classification non-paramétrique : la méthode des k plus proches voisins 1.1 Introduction Lorsque nous avons fait des hypothèses probabilistes

Plus en détail

Calculatrice vocale basée sur les SVM

Calculatrice vocale basée sur les SVM Calculatrice vocale basée sur les SVM Zaïz Fouzi *, Djeffal Abdelhamid *, Babahenini MohamedChaouki*, Taleb Ahmed Abdelmalik**, * Laboratoire LESIA, Département d Informatique, Université Mohamed Kheider

Plus en détail