Machines stochastiques dédiées à l'inférence Bayésienne pour la localisation et séparation de sources

par Raphael Frisch

Thèse de doctorat en Informatique

Sous la direction de Laurent Fesquet et de Emmanuel Mazer.

Soutenue le 14-11-2019

à l'Université Grenoble Alpes (ComUE) , dans le cadre de École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble) , en partenariat avec Laboratoire d'informatique de Grenoble (laboratoire) et de Perception, reconnaissance et intégration pour la modélisation d'activité (équipe de recherche) .

Le président du jury était Marie-Christine Rousset.

Le jury était composé de Laurent Fesquet, Emmanuel Mazer, Olivier Sentieys, Sylvain Marchand, Eric Jonas.

Les rapporteurs étaient Olivier Sentieys, Sylvain Marchand.


  • 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.

  • Titre traduit

    Stochastic machines dedicated to Bayesian inference for source localization and separation


  • Résumé

    Computers are without doubt one of the most important invention of the last century, whose impact cannot be overestimated. Over the years they became powerfull, due to the constant optimization of their processors. With the growing need of computing power due to AI, processors have become faster then ever. However, since we are reaching the power wall, Moore’s law is coming to an end. Therefore, a young research community called rebooting computing is looking for alternative computation architectures. In this work, we propose to use stochastic computing to build architectures dedicated to Bayesian inference aiming low-power consumption. We develop two machines, namely the Bayesian machine (BM) and the Bayesian sampling machine (BSM). In this thesis, we look at two signal processing applications: Sound Source Localization (SSL) and Source Separation (SS). For SSL, we introduce three methods using the BM. The first one is working in the time-frequency domain and hence uses the Fourier transform. The second one is running entirely in the temporal domain. The third one is a multi-source localization approach based on the previous method. We present a technique to speed up the stochastic computation by a factor of up to 10 3 . Moreover, we designed an on-chip likelihoods computation mechanism to reduce the memory needs of our machine. Furthermore, we ran simulations and real world experiments to validate our methods. We made ASIC simulations to evaluate the power consumption. For the second problem, the source separation, we introduce a more general machine, the Bayesian sampling machine, which is based on the Gibbs sampling approach. We present a sampling method to solve source separation and run simulations to show the effectiveness of this technique.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université Savoie Mont Blanc (Chambéry-Annecy). Service commun de la documentation et des bibliothèques universitaires. Bibliothèque électronique.
  • Bibliothèque : Université Grenoble Alpes. Bibliothèque et Appui à la Science Ouverte. Bibliothèque électronique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.