Classificação automática de cenas acústicas usando algoritmos de clusterização

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorFoleiss, Juliano Henrique-
Autor(es): dc.contributorFoleiss, Juliano Henrique-
Autor(es): dc.contributorCampiolo, Rodrigo-
Autor(es): dc.contributorGonçalves, Rogério Aparecido-
Autor(es): dc.creatorSantos, Carlos Alexandre Peron dos-
Data de aceite: dc.date.accessioned2022-02-21T21:56:14Z-
Data de disponibilização: dc.date.available2022-02-21T21:56:14Z-
Data de envio: dc.date.issued2020-11-08-
Data de envio: dc.date.issued2020-11-08-
Data de envio: dc.date.issued2019-11-26-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/6002-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/664059-
Descrição: dc.descriptionThe Acoustic Scene Classification problem deals with assigning an environment-related label to an audio signal. Among the labels are parks, airports, streets and public squares. In this work we present four approaches to this problem based on machine learning and digital signal processing. Our main objective was to minimize the computing power required for model training and making predictions, while keeping classification performance at acceptable levels. Our highest performing method consists in describing audios with Mel-Frequency Cepstral Coefficients and then grouping them with a 2-level K-means clustering approach. This clustering approach describes classes using sounds that are common among audios of the same class. This promotes generalization and lowers the number of data points needed for model training. In turn, this lowers the system computing power requirements. This approach reduced the number of data points to around 10% of the total, and achieved 62% accuracy in the DCASE 2018 Task 1a dataset. This result is comparable with the results obtained by the baseline system, which is based on convolutional neural networks.-
Descrição: dc.descriptionO problema de Classificação de Cenas Acústicas consiste em atribuir um rótulo de ambiente a um sinal de áudio. Entre os rótulos estão parques, aeroportos, ruas e praças públicas, por exemplo. Neste trabalho são propostas quatro abordagens baseadas em aprendizagem de máquina e processamento de sinais para este problema. O objetivo principal é minimizar o custo computacional necessário para treinar os modelos e realizar predições, mantendo o desempenho da classificação em níveis aceitáveis. O principal método utilizado consiste em descrever os áudios com Mel-Frequency Cepstral Coefficients e depois agrupá-los com uma abordagem baseada em K-means em 2 níveis. Este agrupamento descreve as classes utilizando os sons comuns entre os áudios de cada classe, promovendo generalização e diminuindo a quantidade de dados necessária para geração do modelo, o que diminui o custo computacional do sistema. Esta abordagem reduziu a quantidade de dados necessários para o treinamento para pouco menos de 10% do total e obteve acurácia de 62% na base de dados DCASE 2018 Task 1a. Este resultado é comparável com os resultados obtidos no sistema baseline, que utiliza Redes Neurais Convolucionais.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCampo Mourao-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Computação-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectProcessamento de sinais-
Palavras-chave: dc.subjectFourier, Transformadas de-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectSignal processing-
Palavras-chave: dc.subjectFourier transformations-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleClassificação automática de cenas acústicas usando algoritmos de clusterização-
Título: dc.titleAutomatic acoustic scenes classification using clustering algorithms-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.