Víctor Poblete Ramírez

Profesor Instituto de Acústica

Títulos y Grados

Ingeniero Acústico, Universidad Austral de Chile.

Licenciado en Acústica, Universidad Austral de Chile.

Magíster en Física, Universidad Austral de Chile.

Doctor en Ing. Eléctrica, Universidad  de Chile.

 

Víctor Poblete Ramírez nació en Santiago de Chile en 1967. Finalizó sus estudios de enseñanza media en el Colegio San Ignacio, El Bosque, el año 1984, en el glorioso 4ºG. Se vino a la ciudad de Valdivia en 1985 para ingresar a la Universidad Austral de Chile donde estudió Ingeniería Acústica, obteniendo el Grado Académico de Licenciado en Acústica y el correspondiente Título Profesional de Ingeniero Acústico.

En 1993, inició su carrera académica ingresando al Instituto de Acústica en categoría Ayudante, de acuerdo al escalafón académico vigente. Posteriormente, estudió también en el Instituto de Verano de Física de la Facultad de Ciencias de la Universidad Austral de Chile y recibió el Grado Académico de Magíster en Física (2001). Desde el año 2006, es Profesor Asociado y miembro académico del Instituto de Acústica de la Universidad Austral de Chile. Tiene preocupación preferente por el desarrollo, actualización y mejoramiento de la educación en ingeniería acústica. En el año 2014 obtuvo el grado de Doctor en la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile.

Contacto:

Instituto de Acústica

Facultad de Ciencias de la Ingeniería

Universidad Austral de Chile

Edificio 6000, Campus Miraflores, Casilla 567, Valdivia, Chile

Fax: (56 63) 2221011

Fono: (56 63) 221339

Email: vpoblete[at]uach[dot]cl

Actualizado el 30.12.2015.

1) Mi educación universitaria es la siguiente:

  • 2014 Universidad de Chile, Ph.D. Ingeniería Eléctrica.
  • 2001 Universidad Austral de Chile, Magister en Física.
  • 1993 Universidad Austral de Chile, Licenciado en Acústica, Ingeniero Acústico.

2) Mi formación y posiciones académicas han sido:

  • Profesor Asociado Instituto de Acústica, Universidad Austral de Chile, 01 de Septiembre de 2006, Decreto No318/2006 Categoría II.
  • Profesor Auxiliar Instituto de Acústica, Universidad Austral de Chile, 06 de Septiembre de 2001, Decreto Nº303/2001, Categoría III.
  • Profesor Instructor Instituto de Acústica, Universidad Austral de Chile, 26 de Septiembre de 1996, Decreto Nº370/1996. Categoría IV.
  • Profesor Ayudante Instituto de Acústica, 01 de Noviembre de 1993, Ingreso a Universidad Austral de Chile. Categoría V.

3) Becas recibidas para perfeccionamiento:

  • Beca CONICYT 2010-2014. Programa Beca para Estudios de Doctorado Nacional. Doctorado en Ingeniería Eléctrica, Departamento de Ingeniería Eléctrica, Universidad de Chile.
  • Beca CONICYT 2013. Beca para Gastos Operacionales Proyecto Tesis Doctorado, Asistencia a exponer trabajo en Congreso Internacional Interspeech 2013, Lyon, France.
  • Beca MECESUP 2008. Programa de Responsabilidad Social UCO-0303. Estadía en Centro Internacional para la Investigación sobre el Compromiso Cívico, University of Minnesota, Minnesota, EE.UU.
  • Beca The British Council 1995. Advanced Course in Noise and Vibration, Institute of Sound and Vibration Research, University of Southampton, Southampton, United Kingdom.
  • Beca Fundación Andes 1995. Curso de Postgrado de Magister en Física, Instituto de Verano de Física, Facultad de Ciencias, Universidad Austral de Chile.
  • Beca CONICYT 1994. Curso de Postgrado de Magister en Física, Instituto de Verano de Física, Facultad de Ciencias, Universidad Austral de Chile.

Mis áreas de interés en investigación cubren disciplinas tales como procesamiento digital de señales de voz, verificación de locutor, modelamiento del sistema auditivo periférico, reconocimiento de patrones, extracción de características, music information retrieval, programación computacional, entre otros.

1) Investigación

El desafío de desarrollar aplicaciones de procesamiento de patrones acústicos basado en modelos del sistema auditivo periférico, robustos a pesar de condiciones de mismatch (o desajuste) y focalizadas en una tarea de verificación automática de locutor, es de interés actual y diversos métodos originales pueden ser propuestos contribuyendo en estas áreas de investigación.

La pregunta fundamental es: cómo la tarea de verificación de locutor se relaciona al sistema auditivo periférico? Para responder a esta pregunta estoy trabajando en el área de extracción de patrones acústicos inspirados en el sistema auditivo. La verificación de locutor (SV) por biometría de voz, se ha integrado en diversas aplicaciones como interfaz de comunicación entre personas y máquinas. Sin embargo, su principal inconveniente es enfrentar variabilidades o mismatches entre las condiciones de entrenamiento y prueba. La robustez es la propiedad que le permite mantener su funcionamiento superando perturbaciones. En SV existe necesidad de extraer parámetros espectrales propios del locutor y robustos a ruido y a efectos de distorsión de canal. Varios métodos de extracción se inspiran en la fisiología periférica auditiva y en teorías de codificación neuronal de fibras del nervio auditivo (AN). El término “periférico” se utiliza para dar a entender aquella parte del sistema auditivo que es externo al sistema nervioso central (CNS). La salida del sistema auditivo periférico es la actividad del AN. A su vez, esta actividad es la entrada al CNS.

2) Financiamiento actual para investigación:

DID-UACh Nº2015-63, “Reconocimiento de patrones acústicos perceptualmente motivados por modelos de la periferia auditiva.”
Fuente de Financiamiento: Dirección de Investigación y Desarrollo, Universidad Austral de Chile. Duración: 2015-2016. PI: Víctor Poblete, Instituto de Acústica, Facultad de Ciencias de la Ingeniería, Universidad Austral de Chile. CO-PI: Fernando Huenupán, Departamento de Ingeniería Eléctrica, Universidad de la Frontera; Néstor Becerra Yoma, Departamento de Ingeniería Eléctrica, Universidad de Chile. Monto: $3.700.000.-

3) Disposición para recibir estudiantes de Ingeniería o Magister en este proyecto: Si

  • Si estás interesado, te puedes contactar: +56-63-2-221011 (Instituto de Acústica); vpoblete@uach.cl.
  • Se pide como requisitos a un estudiante para trabajar en este proyecto mucho interés en: procesamiento digital de señales, programación en Matlab (muy necesario), C++ (se puede aprender!)

Pregrado

  1. ACUS240 Procesamiento digital de señales.
  2. ACUS262 Aislamiento y análisis de vibraciones.

Posgrado

  1. ACUS340 Análisis de señales en acústica y vibraciones (actualmente, curso del programa de Magister en Acústica y Vibraciones).

Horario de Atención

Mi horario de atención de alumnos es: lunes y martes, 10-11 horas, Instituto de Acústica.

1) Publicaciones ISI de los últimos años:

  1. J. Novoa, J. Fredes, V. Poblete, N. Becerra Yoma, Uncertainty weighting and propagation in DNN-HMM-based speech recognition. COMPUTER SPEECH & LANGUAGE (2018) Vol. 47 , Pages 30-46.
  2. V. Poblete, F. Espic, S. King, R. M. Stern, F. Huenupán, J. Fredes, and N. Becerra Yoma, “A perceptually-motivated low-complexity instantaneous linear channel normalization technique applied to speaker verification,”Computer Speech and Language, vol. 31, no. 1, pp. 1-27, 2015.
  3. V. Poblete, N. Becerra Yoma, R. M. Stern, “Optimization of the parameters characterizing sigmoidal rate-level functions based on acoustic features,”Speech Communication, vol. 56, pp. 19-34, 2014.

2) Mis publicaciones en el área de Aprendizaje-Servicio (Service-Learning) y Compromiso Cívico:

  1. Poblete, V., González, I., Escudero, J.P., Alvarado, L., Briones, R., Astudillo, A. Producción de dos videos tutoriales educacionales para un curso de procesamiento digital de señales. XXIX Congreso Chileno de Educación en Ingeniería 2016, Pucón, Chile, pp. 44, Resumen. (2016).
  2. V. Poblete, R. Urra, T. Victoriano, C. Gutiérrez, D. Lühr, G. Santander, L. Podestá, J. Oberreuter, V. Aguilar, S. Briones, and W. Andler, “Experiencias de Aprendizaje-Servicio en la Universidad Austral de Chile.” Revista Científica Tzhoecoen, Universidad Señor de Sipán, vol. 3, no. 5, pp. 204-208, 2010, Chiclayo, Perú.
  3. J. Oberreuter, V. Aguilar, S. Briones, V. Poblete, “Descubriendo la matemática con innovación y tecnología,” Cuarto Encuentro Nacional y Segundo Encuentro Internacional de Educación para la Responsabilidad Social: Estrategias de Enseñanza y Evaluación, Universidad de Concepción, 2009.

3) Presentaciones en Congresos Internacionales de los últimos años:

  1. Poblete, V., González, I., Astudillo, A., Vergara, G. Compensating acoustic mismatch for robust speaker verification. Submitted to 24th International Congress on Sound and Vibration, London, UK. (2017)
  2. Poblete, V., Escudero, J.P., Fredes, J., Novoa, J., Stern, R., Becerra Yoma, N. The use of Locally Normalized Cepstral Coefficients (LNCC) to improve speaker recognition accuracy in highly reverberant rooms. In Proceedings of Interspeech 2016, San Francisco, USA, pp. 2373-2377. (2016).
  3. J.Fredes,J.Novoa,V.Poblete,S.King,R.M.Stern,N.BecerraYoma, “Robustness to additive noise of Locally-Normalized Cepstral Coefficients in speaker verification,” Accepted to INTERSPEECH 2015 – 16th Annual Conference of the International Speech Communication Association, September 6-10, Dresden, Germany, 2015.
  4. V. Poblete, N. Becerra Yoma, R. M. Stern, “Optimization of sigmoidal rate- level function based on acoustic features,”INTERSPEECH 2013 – 14th Annual Conference of the International Speech Communication Association, August 25-29, Lyon, France, Proceedings, 2013, pp. 896-900.

Dos Propuestas de Temas de Tesis, para pregrado y postgrado.

12 de Septiembre de 2017.

(1) Título tentativo: Compensando la variabilidad de micrófonos de grabación de dispositivos celulares en una tarea de reconocimiento automático de acordes musicales.

La motivación de esta propuesta de tesis surge a partir de observar que las grabaciones encontradas en aplicaciones del mundo real, en especial, aplicaciones que involucran procesamiento de señales musicales en teléfonos celulares, están sometidas a variados y muchas veces no-predecibles, tipos de degradación de la señal, como por ejemplo, la reverberación del recinto o el ruido aditivo. Estas grabaciones pueden sufrir además, debido a la baja calidad de los micrófonos de los dispositivos celulares. Dado que la música es un manifestación universal y cumple una función comunicativa crucial, parece insuficiente el poco trabajo que se ha dado a mejorar los desempeños y la calidad del audio en este tipo aplicaciones. El procesamiento digital de señales aplicado a análisis musical es el tema central de esta propuesta. Una de las características más importantes a extraer de un audio musical son los acordes, los cuales transmiten rica información sobre la estructura armónica y pueden llegar a ser muy útiles para analizar y recuperar información musical. Más aún, las redes neuronales profundas o deep neural networks (DNN) ya son poderosos modelos de aprendizaje de máquina, los cuales proporcionan también valiosa información para clasificar patrones musicales. El principal objetivo de esta tesis es desarrollar algoritmos de reconocimiento automático de acordes musicales basados en modelos DNN y evaluar el desempeño de estos algoritmos a partir de señales de audio musical limpias (es decir, sin degradación) y también degradadas por el tipo de micrófono de grabación usado en teléfonos celulares. Otro aspecto a evaluar es la calidad de la señal debido a la variación de distancia entre el micrófono de grabación y la fuente de sonido, lo cual debe a la pérdida de amplitud por el aumento de la distancia. Los resultados de esta tesis son varios. Primero, se espera comparar métodos de extracción de características y evaluar su robustez a degradación de señal usando experimentos de reconocimiento automático de acordes musicales. Segundo, evaluar y comparar la robustez de algoritmos DNN para procesamiento de señales musicales. En tercer lugar, evaluar y comparar el desempeño de teléfonos celulares comercialmente disponibles en experimentos de reconocimiento de patrones musicales, a partir de la calidad de las señales grabadas.

Profesor:
Dr. Víctor Poblete – Instituto de Acústica. vpoblete@uach.cl

Bibliografía:

  1. Müller, M., Ellis, D.P.W., Klapuri, A., and G. Richard, (2011). Signal processing for music analysis. IEEE Journal of Selected Topics in Signal Processing, 5(6): 1088-1110. http://dx.doi.org/10.1109/JSTSP.2011.2112333.
  2. Cho T. and Bello J.P. (2014). On the relative importance of individual components of chord recognition systems. IEEE-ACM Transactions on Audio Speech and Language Processing, 22(2): 477-492. http://dx.doi.org/10.1109/TASLP.2013.2295926.
  3. Burgoyne, J., Wild, J., and Fujinaga, I. (2011). An expert ground truth set for audio chord recognition and music analysis. In Proceedings of the 12th International Conference in Music and Information Retrieval (ISMIR), 633-638, Miami, FL, USA.
  4. Cho, T., Weiss, R.J., and Bello, J. P., (2010). Exploring common variations in state of the art chord recognition systems. In Proceedings of the Sound and Music Computing Conference, 1-8, Barcelona, Spain.
  5. Korzeniowski, F. and Widmer, G. (2016). Feature learning for chord recognition: the deep chroma extractor. In Proceedings of the 17th International Conference in Music and Information Retrieval, 1-4, New York City, NY, USA.
  6. Chandrasekhar, V., Sharifi, M. and Ross, D.A. (2011). Survey and evaluation of audio fingerprinting schemes for mobile query by-example applications. In Proceedings of the 12th International Conference in Music and Information Retrieval, 801-806, Miami, FL, USA.

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

(2) Título tentativo: Aplicando métodos bio-acústicos para la detección automática de eventos sonoros a partir de grabaciones de audio en humedales de Valdiva.

Descripción de la propuesta:

El monitoreo bio-acústico no invasivo y continuo en los humedales de la provincia de Valdivia, es un método de medición que puede proporcionar información acerca de la conservación de la biodiversidad (flora y fauna) y de los cambios en sus distribuciones temporales y espaciales. El creciente interés en este tema se fundamenta en que puede contribuir a los esfuerzos en el estudio y ayuda en la conservación de animales y aves en peligro de extinción en estas áreas, importantes indicadores para la conservación de la naturaleza en los humedales. Un monitoreo acústico incluye grabaciones continuas o alternadas de señales de audio por largos períodos en ubicaciones normalmente alejadas de las actividades humanas. Estudiar amplias áreas de humedales mediante el uso de grabaciones de campo de buena calidad de audio, pueden resultar muchas veces en procesos intensivos, laboriosos y difíciles de implementar por el tamaños y extensiones de este tipo de áreas verdes. En comparación a otros campos del reconocimiento automático de patrones, poco trabajo se ha dedicado al reconocimiento automático de sonidos animales y en especial aplicaciones en humedales de Valdivia. El objetivo de este trabajo es crear un algoritmo que detecte automáticamente eventos sonoros a partir de diferentes bases de datos con señales grabadas previamente en los humedales de la provincia de Valdivia. El algoritmo debe consistir de dos etapas, una fase de extracción de características y la segunda, de un clasificador. La extracción de características es el proceso de transformar la señal de audio original en un vector de características de baja dimensionalidad, pero que conserva suficiente información para la etapa de clasificación. En tanto que, el clasificador es un operador que asigna cada señal a una categoría entre un conjunto amplio de diversas categorías previamente definidas. Un método ampliamente usado para clasificar señales de animales son los coeficientes cepstrales en escala de frecuencia Mel (MFCC), muchas veces llamado el modelo baseline. Mientras que los modelos de mezclas de Gaussianas (GMM) se usan como efectivos clasificadores para muchas tareas de clasificación automática de sonidos de animales. Alternativamente, como otros clasificadores, un método muy atractivo son las redes neuronales artificiales.

Profesores:
Dr. Víctor Poblete – Instituto de Acústica. vpoblete@uach.cl
Dr. Felipe Otondo – Instituto de Acústica. felipe.otondo@uach.cl

Bibliografía:

  1. 1. Digby, A., Towsey, M., Bell, B., and Teal, P. (2013). A practical comparison of manual and autonomous
    methods for acoustic monitoring. Methods in Ecology and Evolution, 4(7): 675–683. https://doi.org/10.1111/2041-210X.12060.
  2. 2. Salamon, J., Bello, J. P., Farnsworth, A., Robbins, M., Keen, S., Klinck, H., and Kelling, S. (2016). Towards the automatic classification of avian flight calls for bioacoustic monitoring. PLoS ONE, 11(11): e0166866. https://doi.org/10.1371/journal.pone.0166866.
  3. 3. Atanbori, J., Duan, W., Murray, J., Appiah, K., and Dickinson, P. (2016). Automatic classification of flying bird species using computer vision techniques. Pattern Recognition Letters, 81(SI): 53-62. https://doi.org/10.1016/j.patrec.2015.08.015.
  4. 4. Bardeli, R., Wolff, D., Kurth, F., Koch, M., Tauchert K.H., and Frommolt, K.H. (2010). Detecting bird sounds in a complex acoustic environment and application to bioacoustic monitoring. Pattern Recognition Letters, 31(12):1524-1534. https://doi.org/10.1016/j.patrec.2009.09.014.
  5. 5. Frommolt, K.H. and Tauchert, K.H. (2014). Applying bioacoustic methods for long-term monitoring of a nocturnal wetland bird. Ecological Informatics, 21(SI): 4-12. https://doi.org/10.1016/j.ecoinf.2013.12.009.
  6. 6. Brown, J.C. and Smaragdis, P. (2009). Hidden Markov and Gaussian mixture models for automatic call classification. Journal of the Acoustical Society of America, 125(6): EL221-EL22. https://doi.org/10.1121/1.3124659.