| Processo: | 14/14630-9 |
| Linha de fomento: | Bolsas no Brasil - Doutorado |
| Vigência (Início): | 01 de dezembro de 2014 |
| Vigência (Término): | 31 de julho de 2018 |
| Área do conhecimento: | Engenharias - Engenharia Elétrica |
| Convênio/Acordo: | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) |
| Pesquisador responsável: | Luiz César Martini |
| Beneficiário: | Felipe Leonel Grijalva Arévalo |
| Instituição-sede: | Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil |
| Assunto(s): | Aprendizado computacional Realidade aumentada |
Resumo Conforme as aplicações de realidade aumentada tornam-se mais relevantes, há um crescente esforço na pesquisa do áudio espacial. O termo áudio espacial refere-se ao conjunto de técnicas que modelam a anatomia de uma pessoa por meio de filtros digitais. Ao filtrar uma fonte de áudio através desses filtros, o ouvinte é capaz de perceber um som como se ele fosse reproduzido em um local específico no espaço. No domínio da frequência, esses filtros são conhecidos como Funções de Transferência Relacionadas à Cabeça (Head-Related Transfer Functions, HRTF). Um problema significativo no áudio espacial é o fato de as características espectrais das HRTFs variarem entre indivíduos. Se um indivíduo usar as HRTFs de uma outra pessoa, existe uma degradação na percepção auditiva. Portanto, é necessário personalizar as HRTFs. A HRTF de um indivíduo pode ser medida experimentalmente. No entanto, como essa medição é uma tarefa complexa, demorada e não escalável, várias técnicas de aprendizado de máquina têm sido aplicadas para personalizar as HRTFs. O problema das técnicas atuais é que elas não levam em conta o conhecimento prévio das características das HRTFs (e.g. simetria). Assim, o objetivo geral desta proposta é aplicar técnicas de aprendizado de máquina na personalização das HRTFs visando incorporar o conhecimento prévio tanto espacial quanto em frequência das HRTFs. Nesse intuito, representaremos as HRTFs usando técnicas de redução de dimensionalidade não linear (e.g. Isomap) em conjunto com técnicas de banco de filtros (e.g. wavelets) que levem em conta esse conhecimento prévio. Posteriormente, como existem poucas HRTFs medidas devido à dificuldade de obtê-las, visamos fazer a fusão de várias bases de dados de HRTFs usando transferência de aprendizado (transfer learning). Finalmente, usando a base de dados de HRTFs obtida dessa fusão, utilizaremos técnicas de aprendizado profundo (deep learning) para predizer as HRTFs de um indivíduo a partir de suas características anatômicas. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias (0 total): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |