Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/6002| Título: | Classificação automática de cenas acústicas usando algoritmos de clusterização |
| Título(s) alternativo(s): | Automatic acoustic scenes classification using clustering algorithms |
| Autor(es): | Santos, Carlos Alexandre Peron dos |
| Orientador(es): | Foleiss, Juliano Henrique |
| Palavras-chave: | Aprendizado do computador Processamento de sinais Fourier, Transformadas de Machine learning Signal processing Fourier transformations |
| Data do documento: | 27-Nov-2019 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Campo Mourao |
| Citação: | SANTOS, Carlos Alexandre Peron dos. Classificação automática de cenas acústicas usando algoritmos de clusterização. 2019. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Campo Mourão, 2019. |
| Resumo: | O 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. |
| Abstract: | The 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. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/6002 |
| Aparece nas coleções: | CM - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| classificacaoautomaticacenasacusticas.pdf | 1,53 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.