Job offers / Offres de visites, stages, thĂšses et emploi

2022

Visits of PhD students or post-docs (between 2-3 weeks and 2-3 months) can be also arranged through mobility fundings. Contacts should be taken several months in advance. (open)

Ingénieur·e développement web Vue fullstack, rendu/synchro partitions musicales, CollabScore (CDD 18 mois) (open)

Internship positions are available (2-6 months), this year be around the following themes:

Feel free to contact us at contact@algomus.fr if you are interested in joining our team, even if the subject is not detailed below.

2022 (archive)

Permanent positions (session synchronisée Galaxie 2022, 31 mars) (closed)

  • Poste en section 27 au CRIStAL, avec un profil recherche contenant “informatique musicale, corpus, co-crĂ©ativitĂ©”: 27 MCF 0035
  • En dehors d’Algomus, poste en section 18 au CEAC / dĂ©partement Arts, profil recherche “musique et nouvelles technologies”: 18 MCF 0016

PhD positions, 2022-25

Stages 2022 de recherche et/ou développement en informatique musicale


Stage L3/M1/M2: Vers un corpus de musique pour les grands prématurés

Contexte

Ce stage est proposĂ© dans le cadre d’une collaboration avec le GRAMFC (Groupe de Recherche sur l’Analyse Multimodale de la Fonction CĂ©rĂ©brale), visant Ă  Ă©valuer l’impact de l’exposition des bĂ©bĂ©s nĂ©s trĂšs prĂ©maturĂ©ment (Ă  partir de 28 semaines d’ñge gestationnel) Ă  des interventions musicales adaptĂ©es sur leur dĂ©veloppement neural et comportemental, en particulier concernant leur comprĂ©hension des mĂ©canismes du langage et de la musique.

L’enjeu de la mission est de proposer un corpus de musique adaptĂ© aux grands prĂ©maturĂ©s, afin que les morceaux sĂ©lectionnĂ©s soient diffusĂ©s/jouĂ©s dans le service de soin intensif de nĂ©onatologie du Centre Hospitalier Universitaire d’Amiens quotidiennement. Il s’agit de proposer un corpus de taille consĂ©quente assurant une diversitĂ© musicale (a minima rythmique, mĂ©lodique, texturale, voire harmonique), tout en s’adaptant aux capacitĂ©s auditives des bĂ©bĂ©s prĂ©maturĂ©s, qui ne leur permettent pas d’écouter tout type de musique, certains sons ou frĂ©quences pouvant les agresser ou les stresser.

Les tùches réalisées seront, en particulier:

  • Bibliographie (mĂ©thodologie de constitution de corpus multi-modaux, contraintes physiologiques et liĂ©es Ă  la diffusion de musique en soin intensif)
  • Choix/constitution d’un corpus de dĂ©part
  • DĂ©veloppement de descripteurs permettant de sĂ©lectionner (automatiquement) les partitions selon certaines caractĂ©ristiques musicales (notamment rythmiques, explorant les mĂ©triques binaires et ternaires)
  • Évaluation de la diversitĂ© des partitions du corpus grĂące Ă  des descripteurs adaptĂ©s
  • Proposition d’une mĂ©trique permettant d’évaluer l’acceptabilitĂ© d’une partition
  • Proposition d’une mĂ©thode d’extraction/simplification permettant de respecter les contraintes tout en maintenant la diversitĂ©

A priori, la majoritĂ© de l’étude sera rĂ©alisĂ©e sur des musiques reprĂ©sentĂ©es sous forme symbolique (encodage de la partition : MIDI, MusicXML, 
), qui semblent plus adaptĂ©es pour dĂ©velopper les descripteurs requis. Une connaissance des principes audio sera apprĂ©ciĂ©e, qui permettra d’évaluer la piste du filtrage Ă  partir de formes d’onde.

Profil recherché

Études d’informatique, avec compĂ©tences musicales et intĂ©rĂȘt pour les sciences cognitives

Débouchés

Des opportunitĂ©s de poursuite en stage et/ou thĂšse pourraient ĂȘtre envisagĂ©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit Ă  Amiens ou bien dans notre rĂ©seau de collaborateurs en France et Ă  l'Ă©tranger.

Références

  • Cirelli, L. K., Spinelli, C., Nozaradan, S., & Trainor, L. J. (2016). Measuring Neural Entrainment to Beat and Meter in Infants: Effects of Music Background. Frontiers in neuroscience, 10, 229. doi:10.3389/fnins.2016.00229

  • Haslbeck, F. B., et al. (2020). Creative music therapy to promote brain function and brain structure in preterm infants: A randomized controlled pilot study. NeuroImage: Clinical, 25, 102171. doi:10.1016/j.nicl.2020.102171

  • van der Heijden, M. J., Oliai Araghi, S., Jeekel, J., Reiss, I. K. M., Hunink, M. M., & van Dijk, M. (2016). Do hospitalized premature infants benefit from music interventions? A systematic review of randomized controlled trials. PloS one, 11(9). doi:10.1371/journal.pone.0161848

  • Foroushani, S.M., Herman, C.A., Wiseman, C.A. et al. Evaluating physiologic outcomes of music interventions in the neonatal intensive care unit: a systematic review. J Perinatol 40, 1770–1779 (2020). doi:10.1038/s41372-020-0756-4


Stage M1/M2: GĂ©nĂ©ration d’accompagnements Ă  la guitare basse

Contexte

Ce stage s’inscrit dans le cadre d’une collaboration entre l’équipe Algomus (UniversitĂ© de Lille, CRIStAL) et la sociĂ©tĂ© Arobas Music. L’équipe d’informatique musicale Algomus s’intĂ©resse Ă  la modĂ©lisation informatique de partitions musicales. La sociĂ©tĂ© lilloise Arobas Music dĂ©veloppe le logiciel Guitar Pro dĂ©diĂ© Ă  la saisie et Ă  la consultation de tablatures de guitare, et plus gĂ©nĂ©ralement de partitions musicales. Plus de 10 millions de musiciens l’utilisent rĂ©guliĂšrement pour l’apprentissage, la transcription ou la composition. La sociĂ©tĂ© s’intĂ©resse Ă  l’ajout de nouvelles fonctionnalitĂ©s pour assister de maniĂšre intelligente le processus d’écriture et de composition de l’utilisateur.

Le corpus mySongBook (MSB), produit et maintenu par la société Arobas Music, comprend plus de 2500 piÚces, majoritairement dans le style pop/rock, encodées symboliquement sous la forme de fichiers au format Guitar Pro. Les fichiers Guitar Pro consistent en un alignement de plusieurs parties, chacune associée à un instrument, indiquant le contenu musical joué par cet instrument. Comme fréquemment dans le style pop/rock, une grande partie de ces piÚces comprend une partie de guitare basse alignée à une ou plusieurs parties de guitares.

Objectifs

La premiĂšre tĂąche de ce stage consistera Ă  entrainer un modĂšle Ă  prĂ©dire le contenu d’une partie de guitare basse Ă©tant donnĂ© la (les) parties(s) de guitare avec laquelle la partie de basse est alignĂ©e. On s’inspirera en premier lieu de mĂ©thodes issues de la traduction automatique de sĂ©quences (Neural Machine Translation) oĂč un modĂšle dit Sequence To Sequence (LSTM ou Transformer) est entraĂźnĂ© Ă  produire une sĂ©quence de sortie pour toute sĂ©quence donnĂ©e en entrĂ©e. DiffĂ©rentes expĂ©riences seront menĂ©es et comparĂ©es en faisant varier l’architecture du modĂšle, l’uniformitĂ© stylistique du corpus d’apprentissage, la reprĂ©sentation et la rĂ©solution des donnĂ©es.

Dans une seconde partie, on Ă©tudiera le potentiel d’utilisation de ce type de modĂšles comme outil dans un contexte d'Ă©criture ou de composition musicale. On Ă©tudiera en particulier les possibilitĂ©s de contrĂŽle du modĂšle au cours de la gĂ©nĂ©ration, permettant Ă  l’utilisateur d’influer sur certains paramĂštres comme le style ou l’originalitĂ© de la sĂ©quence produite.

Profil recherché

Master d’informatique, avec compĂ©tences en programmation et apprentissage automatique. Connaissances et pratique musicales souhaitĂ©es, idĂ©alement pratique de la guitare/basse et une familiaritĂ© avec les tablatures.

Débouchés

Des opportunitĂ©s de poursuite en thĂšse pourraient ĂȘtre envisagĂ©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre rĂ©seau de collaborateurs en France et Ă  l'Ă©tranger.

Références

  • Makris, D., Agres, K. R., & Herremans, D. (2021). Generating lead sheets with affect: A novel conditional seq2seq framework.
  • Grachten, M., Lattner, S., & Deruty, E. (2020). BassNet: A Variational Gated Autoencoder for Conditional Generation of Bass Guitar Tracks with Learned Interactive Control.
  • Ren, Y., He, J., Tan, X., Qin, T., Zhao, Z., & Liu, T. Y. (2020, October). Popmag: Pop music accompaniment generation.
  • McVicar, M., Fukayama, S., & Goto, M. (2015). AutoGuitarTab: Computer-aided composition of rhythm and lead guitar parts in the tablature space.

Stage M1/M2: Pré-entraßnement de modÚles séquentiels musicaux

Contexte

Les techniques modernes en apprentissage automatique, notamment autour des rĂ©seaux de neurones, suscitent de nombreuses recherches dans les domaines du traitement automatique du langage naturel (Natural Language Processing) d’une part et du traitement automatique des donnĂ©es musicales (Music Information Retrieval) d’autre part. Ces recherches ont de multiples applications allant de l’analyse de corpus textuels/musicaux Ă  la gĂ©nĂ©ration automatique de texte/musique.

Parmis les diffĂ©rents types de rĂ©seaux de neurones, les modĂšles Sequence To Sequence dĂ©diĂ©s Ă  la transformation de sĂ©quences, ont permis d’important progrĂšs en NLP dans des tĂąches de traduction automatique ou de question-rĂ©ponse. C’est le cas des transformers [1], dont le fonctionnement repose sur le principe de self-attention, qui incite un modĂšle, lors de son entraĂźnement, Ă  mesurer les relations mutuelles entre les termes composant une sĂ©quence, par exemple une sĂ©quence de caractĂšres ou de mots. L’aspect sĂ©quentiel de la musique a suscitĂ© une variĂ©tĂ© d’initiatives consistant Ă  entraĂźner des transformers sur des donnĂ©es musicales symboliques (par exemple des sĂ©quences de notes issues de fichiers MIDI), qui ont permis d’important progrĂšs en gĂ©nĂ©ration, harmonisation et analyse automatique de musique [3].

Le principe d’apprentissage par transfert consiste Ă  entraĂźner un modĂšle pour une tĂąche cible, en partant d’un modĂšle entraĂźnĂ© en amont sur une tĂąche plus abstraite (phase dite de prĂ©-entraĂźnement), et pour laquelle on dispose d’un plus grand nombre de donnĂ©es. Par exemple, un modĂšle entraĂźnĂ© Ă  reconnaĂźtre des images de camion gagnera Ă  ĂȘtre entraĂźnĂ© en partant d’un modĂšle entraĂźnĂ© au prĂ©alable Ă  reconnaĂźtre des vĂ©hicules plutĂŽt qu'Ă  partir de zĂ©ro.

Le traitement de donnĂ©es sĂ©quentielles, par exemple pour l’entraĂźnement d’un modĂšle, pose la question de la dĂ©coupe des sĂ©quences en Ă©lĂ©ments atomiques (ou tokenization). En langage naturel par exemple, une phrase peut ĂȘtre vue comme un sĂ©quence de caractĂšres, une sĂ©quence de mots, de groupes de mots, ou toute segmentation intermĂ©diaire qui fait sens. La question de la dĂ©coupe se pose particuliĂšrement en musique, oĂč le contexte et les relations entre les diffĂ©rentes notes jouent un rĂŽle fondamental.

Objectifs

Inspirés par le pré-entraßnement de modÚles Sequence To Sequence en NLP, ce projet consiste à expérimenter différentes stratégies de découpe des séquences de données musicales pour le pré-entraßnement de modÚles musicaux. Des tùches cibles en MIR (détection de fin de phrase musicales ou encore détection de tonalité) associées à des corpus annotés permettront d'évaluer la performance des modÚles pré-entraßnés.

Outre les diffĂ©rentes stratĂ©gies de dĂ©coupe, on pourra expĂ©rimenter diffĂ©rents corpus de fichiers musicaux pour le prĂ©-apprentissage : le corpus MAESTRO, issu d’enregistrements de performances, ainsi qu’un regroupement de fichiers fichiers MIDI issus de partitions musicales. Le recours comparatif Ă  ces deux corpus permettra d'Ă©valuer l’impact de l’interprĂ©tation musicale (prĂ©sente uniquement dans le corpus MAESTRO) sur la qualitĂ© du prĂ©-entraĂźnement.

Profil recherché

Master d’informatique, avec compĂ©tences en programmation et apprentissage automatique.

Débouchés

Des opportunitĂ©s de poursuite en thĂšse pourraient ĂȘtre envisagĂ©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre rĂ©seau de collaborateurs en France et Ă  l'Ă©tranger.

Références

  • Vaswani, Ashish, et al. “Attention is all you need.” Advances in neural information processing systems. 2017.
  • Huang, Cheng-Zhi Anna, et al. “Music transformer.”
  • Devlin, Jacob, et al. “Bert: Pre-training of deep bidirectional transformers for language understanding.”
  • Wang, Ziyu, and Gus Xia. “Musebert: pre-training of music representation for music understanding and controllable generation.”
  • Fradet, Nathan, et al. “MidiTok: A Python Package for MIDI File Tokenization.”

Stage L3/M1/M2: Un rĂ©seau social pour l’annotation de musique

L'Ă©quipe Algomus dĂ©veloppe Dezrann, une application web fullstack open-source (TypeScript, Vue.js, node.js) pour lire et annoter des partitions musicales. L’annotation se fait en ajoutant des Ă©tiquettes (labels), Ă©lĂ©ments graphiques sur la partition, pour dĂ©crire par exemple la structure, l’harmonie, le rythme, la mĂ©lodie ou la texture. Si Soundcloud permet d'Ă©couter un morceau de musique et d’y laisser ses impressions, Dezrann donne accĂšs avec bien plus de finesse au contenu musical, forme d’onde ou partition.

Dezrann est utilisĂ©e d’un cĂŽtĂ© par des classes de collĂšges pour dĂ©couvrir activement la musique, et de l’autre, par des musicologues annotant des corpus. C’est un vĂ©ritable service permettant d’accĂ©der Ă  plusieurs centaines de piĂšces musicales. Certaines de ces piĂšces ne sont accessibles que par des utilisteurs possĂ©dant un compte. Ce projet a donc pour objectif de faciliter la communication entre les diffĂ©rents utilisateurs pour faire de l’application un vĂ©ritable espace collaboratif d’analyse musicale, oĂč chacun·e peut proposer et partager une analyse.

Dans un cadre de dĂ©veloppement agile (conception, tests, intĂ©gration continue, documentation), le ou la stagiaire travaillera ainsi sur la conception, l’implĂ©mentation et le test de l’espace de travail et de gestion des piĂšces et d’analyses d’un utilisateur, pour permettre notamment:

  • le partage de l’analyse Ă  un ou plusieurs collaborateurs, ou bien au puvlic, en lecture voire en Ă©criture
  • la proposition d’une nouvelle version d’une analyse existante
  • la modification l’analyse d’un collaborateur
  • la publication d’une analyse

Le ou la stagiaire sera aussi en contact avec nos utilisateurs, français et étrangers, notamment avec les classes du secondaire de la région utilisant Dezrann. Elle ou il participera enfin aux projets de médiation montés par l'équipe.


Stage de recherche (L3/M1/M2): Évaluation du coĂ»t carbone de l’intelligence artificielle en informatique musicale

L'Ă©quipe d’informatique musicale Algomus, du laboratoire CRIStAL (UMR CNRS 9189, UniversitĂ© de Lille), en collaboration avec le MIS (UPJV, Amiens) s’intĂ©resse Ă  l’analyse informatique de partitions musicales.

Contexte et objectifs

Comme dans de nombreux domaines, l’apprentissage automatique est prĂ©sent dans beaucoup de travaux en informatique musicale, que ce soit en analyse ou en gĂ©nĂ©ration de musique [1].

Ces travaux s’appuient sur des corpus de plus en plus consĂ©quents, qu’ils soient audio, de partitions ou d’autres reprĂ©sentations symboliques, et/ou de mĂ©tadonnĂ©es, et des modĂšles de plus en plus complexes, en particulier GAN et auto-encodeurs variationnels.

Il y a heureusement une prise de conscience de l’empreinte Ă©cologique croissante du numĂ©rique en gĂ©nĂ©ral et de l’IA en particulier [2, 3, 4]. Cependant, en informatique musicale, trĂšs peu de travaux sont explicites sur le calcul nĂ©cessaire Ă  l’apprentissage de ces modĂšles, mĂȘme si par ailleurs on trouve de plus en plus d'Ă©tudes sur l’IA et carbone [5, 6].

Ce stage fera un premier bilan du coĂ»t en calcul, et idĂ©alement du coĂ»t carbone, des recherches en MIR utilisant l’intelligence artificielle. Il passera par une revue systĂ©matique des articles publiĂ©s dans une ou deux confĂ©rences majeures de la derniĂšre annĂ©e.

Le stage pourra en particulier regarder quels modĂšles sont les plus consommateurs et/ou Ă©conomes et quel effort les Ă©quipes cherchent (ou pas) Ă  faire dans ce domaine.

Profil recherché

Master d’informatique et/ou master liĂ© Ă  l’environnement, avec dans les deux cas compĂ©tences en IA/science des donnĂ©es. Pratique musicale apprĂ©ciĂ©e mais non obligatoire.

Débouchés

Des opportunitĂ©s de poursuite en thĂšse pourraient ĂȘtre envisagĂ©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre rĂ©seau de collaborateurs en France et Ă  l'Ă©tranger. L'Ă©quipe est Ă©galement en contact avec des entreprises travaillant sur des sujets connexes.

Références

2021 (archive)

PhD positions, 2021-24

MĂ©diation scientifique, 2021-2022

Stages de recherche 2021 en informatique musicale