Le but du projet est de construire des modèles innovants, expressifs et flexibles pour l'analyse computationnelle de la structure musicale des signaux audio pour l'exploration et l'interaction avec de grandes bases de données audio, et pour une meilleure compréhension de la capacité des êtres humains à avoir une idée de la façon dont la musique est organisée.

Ce projet est fortement interdisciplinaire et rassemble les efforts de différents domaines scientifiques (signal
informatique, apprentissage relationnel statistique, apprentissage profond, analyse de données de grande dimension), mais aussi des connaissances issues de disciplines humanistes telles que l'analyse musicale, la musicologie et les études de musique jazz. Il bénéficie de la combinaison des divers champs d'expertise des différents membres impliqués dans l'équipe. Outre le développement de modèles innovants pour le traitement de la musique, il répond aux problèmes méthodologiques IA et il contribue également à l'interaction avec les disciplines connexes des humanités numériques.

Un article accepté dans la conférence ISMIR, la plus importante du domaine Music Information Retrieval MIR : Morgan Buisson, Brian McFee, Slim Essid, Hélène-Camille Crayencour, Learning Multi-Level Representations for Hierarchical Music Structure Analysis, 2022

Responsables du projet

• Hélène-Camille Crayencour (L2S - CNRS) - Expert en apprentissage statistique relationnel et en recherche d'information musicale ;
  Slim Essid (LTCI, Télécom Paris, Institut Polytechnique de Paris) - Expert en prédiction structurée, apprentissage de représentation et traitement du signal audio ;
  Matthieu Kowalski (L2S - Université Paris-Saclay) - Expert en approximations sparse structurées et en méthodes de décomposition des données.