Category Archives: Departamento de Procesamiento de Señales

Lunes 6 de mayo 09:30hs, Salón Marrón (piso 7, salón 705) – Facultad de Ingeniería, J. Herrera y Reissig 565

Tenemos el agrado de invitarlos a la defensa de tesis de maestría de Pablo Zinemanas :  “Herramientas computacionales para el análisis del entorno sonoro urbano”

Tutores : Elizabeth González y Pablo Cancela

Tribunal : Mauricio Delbracio (IIE-FIng-UdelaR), Justin Salamon (Audio Research Group, Adobe Research, San Francisco) y Leonardo Nunes (Microsoft’s Advanced Technology Labs, Rio de Janeiro).

Saludos,
Pablo Cancela

Resumen :

Muchos centros urbanos presentan niveles de ruido que pueden ser molestos para sus habitantes, o incluso nocivos para la salud. Por esta razón el entorno sonoro constituye frecuentemente una problemática en las ciudades presente en los reclamos de las comunidades y grupos ambientalistas, en la planificación gubernamental y en los estudios académicos. En esta tesis se estudian herramientas computacionales para la caracterización de entornos sonoros urbanos. El foco del trabajo es la detección de eventos sonoros, lo que implica la clasificación de las fuentes presentes en el registro sonoro, incluyendo su tiempo de inicio y duración. Se relevan las bases de datos disponibles y se concluye que es necesario crear datos propios de la ciudad de Montevideo. Esto conduce a la creación de la base de datos SonidosMVD, y a la definición de una taxonomía para la misma. Se presentan experimentos de detección de eventos sonoros con distintos algoritmos de clasificación profunda y poco profunda sobre distintos conjuntos de datos. Se diseña un modelo “end-to-end”, cuya entrada es la forma de onda de la señal y la salida es el vector de clasificación, y se muestra su utilidad para este problema. Esto se realiza concatenando dos redes : una para la extracción de características y otra para la clasificación. Se muestra que se pueden diseñar dichos modelos utilizando conocimiento sobre el problema para inicializar el entrenamiento en un punto inicial que ha demostrado brindar buenos resultados. Con este sistema se obtienen resultados de clasificación similares a los del estado el arte mientras que se disminuye el numero de parámetros involucrados.

Viernes 12 de abril 10:00hs, Salón de seminarios del IMERL (en coordinación con el seminario de álgebra) – Facultad de Ingeniería, Julio Herrera y Reissig 565

Tenemos el agrado de invitarlos a la defensa de tesis de maestría en Ingeniería Matemática de Matías Valdés :  “Compressed sensing : Algoritmo re-weighted l 1 con pesos actualizados resolviendo un problema dual”

Tutor : Marcelo Fiori

Tribunal :  Dr Diego Armentano (CMAT), Dr Pablo Musé (IIE), Dr Ignacio Ramírez (IIE)

Saludos,

Marcelo Fiori

Resumen :

En este trabajo se presentan algunos de los resultados más relevantes de la teorı́a vinculada al problema de Compressed Sensing (CS) o Sensado Comprimido. Este consiste en: dado un sistema lineal Φx = b, con infinitas soluciones, hallar una solución con la mayor cantidad de coordenadas nulas posibles. Es decir: la solución más “esparsa”. Se propone además una nueva metodologı́a para actualizar los pesos de un algoritmo Re Weighted l 1 , basada en la relajación lagrangeana, que se traduce en algoritmos con un desempeño comparable al de la metodologı́a usual.
El problema CS resulta de gran interés en la adquisición de señales con caracterı́sticas esparsas, como las imágenes y señales de audio. Esto es ası́ pues, mientras que el proceso usual de adquisición realiza n medidas x* ∈ R n y luego las comprime, CS permite sensar y comprimir x* en un único paso, a partir de m medidas lineales: b = Φx* , con m << n. Cuando la matriz de medida Φ cumple ciertas propiedades, es posible resolver el problema CS de forma eficiente, recuperando de esta forma la señal esparsa x* a partir de b. Para esto se resuelve un problema equivalente de optimización convexa, basado en la norma l_1.
Este proceso de recuperación puede ser mejorado, asignando pesos a las coordenadas de la norma l_1 , en un problema convexo conocido como Weighted l 1 . Resolviendo repetidas veces este problema, a la vez que se actualizan los pesos, se obtiene un algoritmo del tipo Re-Weighted l_1 . La metodologı́a de actualización de pesos propuesta en este trabajo, consiste en considerar dichos pesos como multiplicadores de Lagrange, pudiendo de esta forma utilizar algoritmos clásicos de la relajación lagrangeana para su actualización.