Seminários

The fractal nature of classical music networks

Resumo: We investigate the fractal nature of classical music networks considering their node degree distributions, skeletons, and assortativity coefficients. The musical networks represent the relationship between musical notes (Do, Re, Mi, Fa, Sol, La, Si, and their sharp), chords, and duration. We show that classical music networks present disassortativity, that scale-invariance happens often (either in the original network or its skeleton) and that a significant part of the networks present self-similarity.

Developable cubics in $\mathbb P^4$ and the Lefschetz locus in $GOR(1,5,5,1)$

Resumo: We provide a classification of developable cubic hypersurfaces in $\mathbb P^4$. Using the correspondence between forms of degree $3$ on $\mathbb P^4$ and Artinian Gorenstein $K$-algebras, given by Macaulay-Matlis duality, we describe the locus in $GOR(1,5,5,1)$ corresponding to those algebras which satisfy the Strong Lefschetz property. It is the first instance where this locus was completely described.

String and band complexes over SAG algebras

Resumo: In this talk I will explain a combinatorial description of a family of indecomposable objects in the bounded derived categories of string almost gentle (briefly SAG) algebras. These indecomposable objects are, up to isomorphism, the string and band objects introduced by V. Bekkert and H. Merklen in their well-known classification of the indecomposable complexes over the bounded derived category of a gentle algebra. With this description, we give a sufficient condition for a given string complex to have infinite minimal projective resolution, and we extend this condition for the case of string algebras. This is joint work with Andrés Franco and Hernán Giraldo.

Individualização do Perfil de Consumo Musical usando Aprendizagem de Métricas

Resumo: This presentation consists of showing the study developed in the paper “A Music Classification Model based on Metric Learning Applied to MP3 Audio Files” and the results obtained with the evolution of the study. This paper proposes a novel music classification model based on metric learning, whose main objective is to learn a personalized metric for each customer. The metric learning process considers the learning of a set of parameterized distances employing a structured prediction approach from a set of MP3 audio files containing several music genres according to the customer’s preference. To extract the acoustic information from audio files, we used the Mel-Frequency Cepstral Coefficient (MFCC) and made a dimensionality reduction using Principal Components Analysis (PCA). We attest to the model validity performing a set of experiments and comparing the results with Soft Margin Linear Support Vector Machine (SVM).

Recentes progressos e desafios na geração de música por aprendizagem profunda

Resumo: O atual tsunami da aprendizagem profunda (o retorno hipervitaminado dos redes neurais artificiais) recentemente mostrou que ela não se aplica apenas às tarefas e aplicações mais tradicionais, previsão e classificação, mas já conquistou outras áreas, como tradução ou síntese de voz. Um novo campo é a geração de música e, de maneira mais geral a geração de conteúdo criativo (texto, imagem, música, som, vídeo). Desafios atuais são a capacidade de impor restrições à geração (por exemplo, tonalidade, estrutura...), bem como promover a originalidade do conteúdo gerado, que não é o objetivo inicial (no contrário, conforme ao estilo induzido). No inicio da apresentação, vamos examinar algumas recentes criações musicais e visuais com aprendizagem maquina. Depois uma introdução rápida às bases técnicas e os primeiros experimentos pioneiros com redes neurais para geração de música desde o final dos anos 80, analisaremos várias questões para a geração de música (incrementalidade, originalidade, estrutura...) e várias abordagens para tentar resolvê-las, com um foco sobre arquiteturas generativas como autoencodificadores variacionais (VAE) e redes antagonistas generativas (GAN).

A apresentação será parcialmente baseada no livro: Deep Learning Techniques for Music Generation, Springer, 2019.

RetailNet: Uma abordagem baseada em Deep Learning para contagem de pessoas e detecção de zonas quentes em lojas de varejo

Resumo: A análise do comportamento do consumidor é uma questão de grande relevância para os varejistas, permitindo uma otimização do desempenho da loja, aprimoramento da do consumidor, redução de custos operacionais e, consequentemente, maior lucratividade. No entanto, poucas pesquisas ainda são realizadas para incorporar novas metodologias baseadas em Visão Computacional para capturar automaticamente, a partir de imagens, informações relevantes que podem ser de grande valor para os varejistas. Neste seminário vamos apresentar resultados de projeto realizado na Universidade Federal de Alagoas com uma loja do ramo varejista de calçados, onde foi desenvolvida uma abordagem de baixo custo baseada em Deep Learning para estimar, em tempo real, o número de pessoas em lojas de varejo, e para detectar e visualizar as zonas quentes da loja. Para esse fim, é necessário apenas uma câmera RGB de baixo custo, como uma câmera de vigilância. Para resolver o problema da contagem de pessoas, empregamos uma abordagem de aprendizagem supervisionada baseado em uma arquitetura de Rede Neural Convolucional que aprende um modelo de regressão.