Home Catalogue search

eng

Refine your search:

Search in the Catalogues and Directories






	Sort by
Simple Search

Page: 1 2 3 4 5...82

Hits 1 – 20 of 1.635

1	Effectively teaching cultural competence in healthcare education
	Ferebee, Shelby. - 2022
	BASE
	Show details

2	The Role of Sensorimotor and Linguistic Distributional Information in Categorisation ...
	Van Hoef, Rens. - : Lancaster University, 2022
	BASE
	Show details

3	Evaluating the Efficacy of Thiel Cadavers Versus Low Fidelity Simulation Plastic Mannequins for Teaching Intubation Skills in Medical Education
	Noordin, Naveed; Berwari, Shivan; Becker, Robert...
	In: Appalachian Student Research Forum & Jay S. Boland Undergraduate Research Symposium (2022)
	BASE
	Show details

4	Modified One-Sided EWMA Charts without- and with Variable Sampling Intervals for Monitoring a Normal Process
	Xuelong Hu; Suying Zhang; Guan Sun; Jianlan Zhong; Shu Wu
	In: Symmetry; Volume 14; Issue 1; Pages: 159 (2022)
	BASE
	Show details

5	Workshop on Blood Loss Quantification in Obstetrics: Improving Medical Student Learning through Clinical Simulation
	Javier Ruiz-Labarta; Ana Martínez Martín; Pilar Pintado Recarte; Blanca González Garzón; Juan Manuel Pina Moreno; Mercedes Sánchez Rodríguez; África Vallejo Gea; Luis Sordo; Melchor Álvarez-Mon; Miguel A. Ortega; Coral Bravo Arribas; Juan A. De León-Luis
	In: Healthcare; Volume 10; Issue 2; Pages: 399 (2022)
	BASE
	Show details

6	What Do Cognitive Networks Do? Simulations of Spoken Word Recognition Using the Cognitive Network Science Approach
	Vitevitch, Michael S.; Mullin, Gavin J. D.. - : MDPI, 2022
	BASE
	Show details

7	Privacy-Preserving Prediction of Victim's Mortality and Their Need for Transportation to Health Facilities
	Hwang Arcolezi, Héber; Cerna Nahuis, Selene Leya; Couchot, Jean-François...
	In: IEEE Transactions on Industrial Informatics ; https://hal.archives-ouvertes.fr/hal-03456142 ; IEEE Transactions on Industrial Informatics, 2021, 14 (30), pp.1 (2021)
	BASE
	Show details

8	How Hermeneutic Spirals may reduce Complexity to Narrative Schemata - expanding on "Complexity and the Userly Text"
	Knoller, Noam
	In: https://hal.archives-ouvertes.fr/hal-03254233 ; 2021 (2021)
	BASE
	Show details

9	Social influences on consumption choices in university catering: a multi-agent modelling approach using GAMA
	Bruno, R.; Canet, Louis; Lemarchand, Baptiste...
	In: 1st conference GAMA Days 2021 ; https://hal-univ-tlse3.archives-ouvertes.fr/hal-03523652 ; 1st conference GAMA Days 2021, Frédéric Amblard; Kevin Chapuis; Alexis Drogoul; Benoit Gaudou; Dominique Longin; Nicolas Verstaevel, Jun 2021, Toulouse (Online), France ; https://www.irit.fr/GamaDays2021/ (2021)
	BASE
	Show details

10	Le dictionnaire des francophones, une plateforme lexicographique contributive et sémantique
	Limpens, F; Delaforge, Nicolas; Lhérisson, P-R...
	In: Journées Francophones d'Ingénierie des Connaissances (IC) Plate-Forme Intelligence Artificielle (PFIA'21) ; https://hal-emse.ccsd.cnrs.fr/emse-03259997 ; Journées Francophones d'Ingénierie des Connaissances (IC) Plate-Forme Intelligence Artificielle (PFIA'21), Jun 2021, Bordeaux, France. pp 7-10 ; http://pfia2021.fr/ (2021)
	BASE
	Show details

11	Proactive information retrieval
	Sen, Procheta. - : Dublin City University. School of Computing, 2021. : Dublin City University. ADAPT, 2021
	In: Sen, Procheta (2021) Proactive information retrieval. PhD thesis, Dublin City University. (2021)
	BASE
	Show details

12	3D lexicon for Human and Social Sciences
	Granier, Xavier; Bergerot, Laurent; Chayani, Mehdi...
	In: Recommendations of the "Consortium 3D for Humanities" ; https://hal.archives-ouvertes.fr/hal-03187979 ; Recommendations of the "Consortium 3D for Humanities", 2021 (2021)
	BASE
	Show details

13	Symbolic Model-based Design and Generation of Logical Scenarios for Autonomous Vehicles Validation
	Bannour, Boutheina; Niol, Julien; Crisafulli, Paolo
	In: 2021 IEEE Intelligent Vehicles Symposium (IV) ; https://hal.archives-ouvertes.fr/hal-03540190 ; 2021 IEEE Intelligent Vehicles Symposium (IV), Jul 2021, Nagoya, Japan. pp.215-222, ⟨10.1109/IV48863.2021.9575528⟩ (2021)
	BASE
	Show details

14	Modeling the neural network responsible for song learning ; Modélisation du réseau neuronal responsable de l'apprentissage du chant chez l'oiseau chanteur
	Pagliarini, Silvia. - : HAL CCSD, 2021
	In: https://tel.archives-ouvertes.fr/tel-03217834 ; Modeling and Simulation. Université de Bordeaux, 2021. English. ⟨NNT : 2021BORD0107⟩ (2021)
	Abstract: During the first period of their life, babies and juvenile birds show comparable phases of vocal development: first, they listen to their parents/tutors in order to build a neural representation of the experienced auditory stimulus, then they start to produce sound and progressively get closer to reproducing their tutor song. This phase of learning is called the sensorimotor phase and is characterized by the presence of babbling, in babies, and subsong, in birds. It ends when the song crystallizes and becomes similar to the one produced by the adults.It is possible to find analogies between brain pathways responsible for sensorimotor learning in humans and birds: a vocal production pathway involves direct projections from auditory areas to motor neurons, and a vocal learning pathway is responsible for imitation and plasticity. The behavioral studies and the neuroanatomical structure of the vocal control circuit in humans and birds provide the basis for bio-inspired models of vocal learning.In particular, birds have brain circuits exclusively dedicated to song learning, making them an ideal model for exploring the representation of vocal learning by imitation of tutors.This thesis aims to build a vocal learning model underlying song learning in birds. An extensive review of the existing literature is discussed in the thesis: many previous studies have attempted to implement imitative learning in computational models and share a common structure. These learning architectures include the learning mechanisms and, eventually, exploration and evaluation strategies. A motor control function enables sound production and sensory response models either how sound is perceived or how it shapes the reward. The inputs and outputs of these functions lie (1)~in the motor space (motor parameters’ space), (2)~in the sensory space (real sounds) and (3)~either in the perceptual space (a low dimensional representation of the sound) or in the internal representation of goals (a non-perceptual representation of the target sound).The first model proposed in this thesis is a theoretical inverse model based on a simplified vocal learning model where the sensory space coincides with the motor space (i.e., there is no sound production). Such a simplification allows us to investigate how to introduce biological assumptions (e.g. non-linearity response) into a vocal learning model and which parameters influence the computational power of the model the most. The influence of the sharpness of auditory selectivity and the motor dimension are discussed.To have a complete model (which is able to perceive and produce sound), we needed a motor control function capable of reproducing sounds similar to real data (e.g. recordings of adult canaries). We analyzed the capability of WaveGAN (a Generative Adversarial Network) to provide a generator model able to produce realistic canary songs. In this generator model, the input space becomes the latent space after training and allows the representation of a high-dimensional dataset in a lower-dimensional manifold. We obtained realistic canary sounds using only three dimensions for the latent space. Among other results, quantitative and qualitative analyses demonstrate the interpolation abilities of the model, which suggests that the generator model we studied can be used as a motor function in a vocal learning model.The second version of the sensorimotor model is a complete vocal learning model with a full action-perception loop (i.e., it includes motor space, sensory space, and perceptual space). The sound production is performed by the GAN generator previously obtained. A recurrent neural network classifying syllables serves as the perceptual sensory response. Similar to the first model, the mapping between the perceptual space and the motor space is learned via an inverse model. Preliminary results show the influence of the learning rate when different sensory response functions are implemented. ; Pendant la première période de leur vie, les bébés et les jeunes oiseaux présentent des phases de développement vocal comparables : ils écoutent d'abord leurs parents/tuteurs afin de construire une représentation neurale du stimulus auditif perçu, puis ils commencent à produire des sons qui se rapprochent progressivement du chant de leur tuteur. Cette phase d'apprentissage est appelée la phase sensorimotrice et se caractérise par la présence de babillage. Elle se termine lorsque le chant se cristallise, c'est-à-dire lorsqu'il devient semblable à celui produit par les adultes.Il y a des similitudes entre les voies cérébrales responsables de l'apprentissage sensorimoteur chez l'homme et chez les oiseaux. Dans les deux cas, une voie s’occupe de la production vocale et implique des projections directes des zones auditives vers les zones motrices, et une autre voie s’occupe de l’apprentissage vocal, de l'imitation et de la plasticité.Chez les oiseaux, ces circuits cérébraux sont exclusivement dédiés à l'apprentissage du chant, ce qui en fait un modèle idéal pour explorer les mécanismes neuronaux de l’apprentissage vocal par imitation.Cette thèse vise à construire un modèle de l'apprentissage du chant des oiseaux par imitation. De nombreuses études antérieures ont tenté de mettre en œuvre l'apprentissage par imitation dans des modèles informatiques et partagent une structure commune. Ces modèles comprennent des mécanismes d'apprentissage et, éventuellement, des stratégies d'exploration et d'évaluation.Dans ces modèles, une fonction de contrôle moteur permet la production de sons et une réponse sensorielle modélise soit la façon dont le son est perçu, soit la façon dont il façonne la récompense. Les entrées et les sorties de ces fonctions sont dans plusieurs espaces: l'espace moteur (paramètres moteurs), l'espace sensoriel (sons réels), l'espace perceptif (représentation à faible dimension du son) ou l’espace des objectifs (représentation non perceptive du son cible).Le premier modèle proposé est un modèle théorique inverse basé sur un modèle d'apprentissage vocal simplifié où l'espace sensoriel coïncide avec l'espace moteur (c'est-à-dire qu'il n'y a pas de production sonore). Une telle simplification permet d'étudier comment introduire des hypothèses biologiques (par exemple, une réponse non linéaire) dans un modèle d'apprentissage vocal et quels sont les paramètres qui influencent le plus la puissance de calcul du modèle.Afin de disposer d'un modèle complet (capable de percevoir et de produire des sons), nous avions besoin d'une fonction de contrôle moteur capable de reproduire des sons similaires à des données réelles. Nous avons analysé la capacité de WaveGAN (un réseau de génération) à produire des chants de canari réalistes. Dans ce modèle, l'espace d'entrée devient l'espace latent après l'entraînement et permet la représentation d'un ensemble de données à haute dimension dans une variété à plus basse dimension. Nous avons obtenu des chants de canari réalistes en utilisant seulement trois dimensions pour l'espace latent. Des analyses quantitatives et qualitatives démontrent les capacités d'interpolation du modèle, ce qui suggère que le modèle peut être utilisé comme fonction motrice dans un modèle d'apprentissage vocal.La deuxième version du modèle est un modèle d'apprentissage vocal complet avec une boucle action-perception complète (il comprend l'espace moteur, l'espace sensoriel et l'espace perceptif). La production sonore est réalisée par le générateur GAN obtenu précédemment. Un réseau neuronal récurrent classant les syllabes sert de réponse sensorielle perceptive. La correspondance entre l'espace perceptuel et l'espace moteur est apprise par un modèle inverse. Les résultats préliminaires montrent l'impact du taux d'apprentissage lorsque différentes fonctions de réponse sensorielle sont mises en œuvre.
	Keyword: [INFO.INFO-MO]Computer Science [cs]/Modeling and Simulation; [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE]; Apprentissage sensori-Moteur; Artificial neural network; Generative adversarial network; Inverse model; Modèle inverse; Modeling; Modélisation; Oiseau chanteur; Réseau de neurones artificiels; Réseaux génératifs antagonistes; Sensorimotor learning; Songbird
	URL: https://tel.archives-ouvertes.fr/tel-03217834/file/PAGLIARINI_SILVIA_2021.pdf https://tel.archives-ouvertes.fr/tel-03217834/document https://tel.archives-ouvertes.fr/tel-03217834
	BASE
	Hide details

15	Mapping International Geopolitical Agenda. Continuing National Conceptions of the Emerging European Crisis
	Grasland, Claude; Toureille, Etienne; Leconte, Romain...
	In: ISSN: 2624-909X ; EISSN: 2624-909X ; Frontiers in Big Data ; https://halshs.archives-ouvertes.fr/halshs-03506950 ; Frontiers in Big Data, Frontiers, 2021, 4, ⟨10.3389/fdata.2021.718809⟩ (2021)
	BASE
	Show details

16	Overview of LifeCLEF 2021: an evaluation of Machine-Learning based Species Identification and Species Distribution Prediction
	Joly, Alexis; Goëau, Hervé; Kahl, Stefan...
	In: Experimental IR Meets Multilinguality, Multimodality, and Interaction ; https://hal.inria.fr/hal-03415990 ; K. Selçuk Candan; Bogdan Ionescu; Lorraine Goeuriot; Birger Larsen; Henning Müller; Alexis Joly; Maria Maistro; Florina Piroi; Guglielmo Faggioli; Nicola Ferro. Experimental IR Meets Multilinguality, Multimodality, and Interaction, 12880, Springer International Publishing, pp.371-393, 2021, Lecture Notes in Computer Science, ⟨10.1007/978-3-030-85251-1_24⟩ (2021)
	BASE
	Show details

17	Multimodal Coarticulation Modeling : Towards the animation of an intelligible talking head ; Modélisation de la coarticulation multimodale : vers l'animation d'une tête parlante intelligible
	Biasutto-Lervat, Théo. - : HAL CCSD, 2021
	In: https://hal.univ-lorraine.fr/tel-03203815 ; Intelligence artificielle [cs.AI]. Université de Lorraine, 2021. Français. ⟨NNT : 2021LORR0019⟩ (2021)
	BASE
	Show details

18	Automating user-feedback driven requirements prioritization
	Kifetew, Fitsum Meshesha; Perini, Anna; Susi, Angelo...
	In: ISSN: 0950-5849 ; EISSN: 1873-6025 ; Information and Software Technology ; https://hal.archives-ouvertes.fr/hal-03277970 ; Information and Software Technology, Elsevier, 2021, 138, pp.106635:1-106635:16. ⟨10.1016/j.infsof.2021.106635⟩ (2021)
	BASE
	Show details

19	Universal parameters yielding counterfactuals
	Repiso, Isabel
	In: ISSN: 0301-4428 ; EISSN: 1613-4060 ; Theoretical Linguistics ; https://halshs.archives-ouvertes.fr/halshs-03426438 ; Theoretical Linguistics, De Gruyter, 2021, 47 (3-4), pp.267-276. ⟨10.1515/tl-2021-2024⟩ (2021)
	BASE
	Show details

20	Expanding the content model of annotationBlock
	Bartz, Alexandre; Janes, Juliette; Romary, Laurent...
	In: Next Gen TEI, 2021 - TEI Conference and Members’ Meeting ; https://hal.archives-ouvertes.fr/hal-03380805 ; Next Gen TEI, 2021 - TEI Conference and Members’ Meeting, Oct 2021, Virtual, United States (2021)
	BASE
	Show details

Page: 1 2 3 4 5...82

© 2013 - 2024 Lin|gu|is|tik | Imprint | Privacy Policy | Datenschutzeinstellungen ändern