Illustration - Drawing of Pig while Blindfolded, 23 July 1900

The illustration of a pig is part of an autograph book collection of Ethelwyn Wetherald. Her collection consists of drawings of pigs her guests create while blindfolded. The signature of each guest accompanies the illustration. This illustration was done by Margaret H. Dorland in the year 1900.

Canadian Niagara Power Glass Slide - Engineer Drawing of Sections of Discharge Tunnel

Consulting Engineer drawing of Sections of the Discharge Tunnel. Included in the drawing is the "cross section of tunnel with timbering" and "longitudinal section showing Timber in straight tunnel". Dated October 1902.

Canadian Niagara Power Glass Slide - Engineer Drawing Hydro Station

Appears to be an engineer's drawing of the Hydro Station. It is a cross-section view of the interior.

Canadian Niagara Power Glass Slide - Drawing: Section thru Wheelpit

Drawing of "Section thru Wheelpit" dated September 1925. Shows unit no.1 through unit no.11, power house floor and water surface.

Canadian Niagara Power Glass Slide - Engineer Drawing (untitled)

Engineer drawing (untitled), some of the labels read "exciter chamber", "fore bay", "power house floor".

Postsecondary Artist Teachers' Responses to Computer Technology in Their Drawing Pedagogy

While the influence of computer technology has been widely studied in a variety of contexts, the drawing teaching studio is a particularly interesting context because of the juxtaposition of traditional medium and computer technology. For this study, 5 Canadian postsecondary teachers engaged in a 2-round Delphi interview process to discuss their responses to computer technology on their drawing pedagogy. Data sources included transcribed interviews. Findings indicated that artist teachers are both cautious to embrace and curious to explore appropriate use of computer technology on their drawing pedagogy. Artist teachers are both critical and optimistic about the influence of computer technology.

Drawing, St. Catharines House on February 26, 1849

A drawing done on paper 50cm x 45cm and mounted in a frame under glass. This is a drawing of a meeting held at the St. Catharines House on February 26, 1849. The drawing was done from memory by W. Osborn who has signed the picture on one of the pillars on the right hand side of the picture. The caption under the picture reads "Act 1st Scene 1st". There is some dialogue, "Woodruff - 'He says gentlemen, my son holds an office under Government, of 400 pounds per year - he forgot to tell you, he sold his constituents at Cornwall' - Macdonald 'You're a liar'". The artist portrays a fight breaking out and lists the characters as Boyd , Rykert, Hobdon, Foley, The Sheriff, Woodruff, J.W.O. Clarke, McDonald, Lamb, Hamilton and Hathaway. There are some very slight wrinkles and tears in the drawing. They do not affect the drawing. [Rolland MacDonald (1810-1881) represented Cornwall in the Legislative Assembly of the Province of Canada from 1844-1846. He was called to the bar in 1832 and set up practice in St. Catharines. The quote on the drawing concerns the constituents at Cornwall. This meeting was covered in reports in the St. Catharines Journal on: March 1, March 8, march 15 and march 22, 1849. There is also an excerpt in William Hamilton Merritt's diary noting the riot and the sketch by Osborn].

Drawing of Dr. Cleavland's Quarters at Camp Parole

Drawing of Dr. Cleaveland’s quarters at the Camp Parole Hospital by Robert F. Roche. This picture is slightly stained, but this does not affect the image, May 20, 1865.

Drawing and Explanation of the Cleveland Family Coat of Arms

Drawing and explanation of the Cleveland Family coat of arms. Pro Deo et Patria means For God and Country. The name is Saxon in origin and in 1403 the “de” was dropped from the name. The drawing and text are said to be from Cleveland Genealogy by J.B. Cleveland, 1881. It can also be found in An Account of the Lineage of General Moses Cleaveland (founder of the city of Cleveland, Ohio) of Canterbury, compiled by H.G. Cleveland, n.d.

Chart of approximate quantity of excavation in slides in the deep cut

Chart of approximate quantity of excavation in slides in the deep cut, July 1, 1848.

Training deep convolutional architectures for vision

Les tâches de vision artificielle telles que la reconnaissance d’objets demeurent irrésolues à ce jour. Les algorithmes d’apprentissage tels que les Réseaux de Neurones Artificiels (RNA), représentent une approche prometteuse permettant d’apprendre des caractéristiques utiles pour ces tâches. Ce processus d’optimisation est néanmoins difficile. Les réseaux profonds à base de Machine de Boltzmann Restreintes (RBM) ont récemment été proposés afin de guider l’extraction de représentations intermédiaires, grâce à un algorithme d’apprentissage non-supervisé. Ce mémoire présente, par l’entremise de trois articles, des contributions à ce domaine de recherche. Le premier article traite de la RBM convolutionelle. L’usage de champs réceptifs locaux ainsi que le regroupement d’unités cachées en couches partageant les même paramètres, réduit considérablement le nombre de paramètres à apprendre et engendre des détecteurs de caractéristiques locaux et équivariant aux translations. Ceci mène à des modèles ayant une meilleure vraisemblance, comparativement aux RBMs entraînées sur des segments d’images. Le deuxième article est motivé par des découvertes récentes en neurosciences. Il analyse l’impact d’unités quadratiques sur des tâches de classification visuelles, ainsi que celui d’une nouvelle fonction d’activation. Nous observons que les RNAs à base d’unités quadratiques utilisant la fonction softsign, donnent de meilleures performances de généralisation. Le dernière article quand à lui, offre une vision critique des algorithmes populaires d’entraînement de RBMs. Nous montrons que l’algorithme de Divergence Contrastive (CD) et la CD Persistente ne sont pas robustes : tous deux nécessitent une surface d’énergie relativement plate afin que leur chaîne négative puisse mixer. La PCD à "poids rapides" contourne ce problème en perturbant légèrement le modèle, cependant, ceci génère des échantillons bruités. L’usage de chaînes tempérées dans la phase négative est une façon robuste d’adresser ces problèmes et mène à de meilleurs modèles génératifs.

Understanding deep architectures and the effect of unsupervised pre-training

Cette thèse porte sur une classe d'algorithmes d'apprentissage appelés architectures profondes. Il existe des résultats qui indiquent que les représentations peu profondes et locales ne sont pas suffisantes pour la modélisation des fonctions comportant plusieurs facteurs de variation. Nous sommes particulièrement intéressés par ce genre de données car nous espérons qu'un agent intelligent sera en mesure d'apprendre à les modéliser automatiquement; l'hypothèse est que les architectures profondes sont mieux adaptées pour les modéliser. Les travaux de Hinton (2006) furent une véritable percée, car l'idée d'utiliser un algorithme d'apprentissage non-supervisé, les machines de Boltzmann restreintes, pour l'initialisation des poids d'un réseau de neurones supervisé a été cruciale pour entraîner l'architecture profonde la plus populaire, soit les réseaux de neurones artificiels avec des poids totalement connectés. Cette idée a été reprise et reproduite avec succès dans plusieurs contextes et avec une variété de modèles. Dans le cadre de cette thèse, nous considérons les architectures profondes comme des biais inductifs. Ces biais sont représentés non seulement par les modèles eux-mêmes, mais aussi par les méthodes d'entraînement qui sont souvent utilisés en conjonction avec ceux-ci. Nous désirons définir les raisons pour lesquelles cette classe de fonctions généralise bien, les situations auxquelles ces fonctions pourront être appliquées, ainsi que les descriptions qualitatives de telles fonctions. L'objectif de cette thèse est d'obtenir une meilleure compréhension du succès des architectures profondes. Dans le premier article, nous testons la concordance entre nos intuitions---que les réseaux profonds sont nécessaires pour mieux apprendre avec des données comportant plusieurs facteurs de variation---et les résultats empiriques. Le second article est une étude approfondie de la question: pourquoi l'apprentissage non-supervisé aide à mieux généraliser dans un réseau profond? Nous explorons et évaluons plusieurs hypothèses tentant d'élucider le fonctionnement de ces modèles. Finalement, le troisième article cherche à définir de façon qualitative les fonctions modélisées par un réseau profond. Ces visualisations facilitent l'interprétation des représentations et invariances modélisées par une architecture profonde.

Derrida and metaphor : drawing out the relation between metaphor and proper meaning through différance

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal

Bilgamesh, un ballet-opéra en deux actes. Symbiose d’un genre oublié, une mythologie archaïque et une langue morte

La version intégrale de cette thèse est disponible uniquement pour consultation individuelle à la Bibliothèque de musique de l’Université de Montréal (www.bib.umontreal.ca/MU).