Aprendizaje profundo de espectrogramas para la clasificación de disparos: un estudio comparativo de las arquitecturas...

Área de la Ciencia:

• Acústico
• Aprendizaje automático
• Procesamiento de señales

Sus antecedentes:

• La clasificación de los disparos es vital para la seguridad pública, el análisis forense y la vigilancia.
• Los modelos de aprendizaje profundo ofrecen potencial para mejorar la precisión y la eficiencia de la identificación por sonido de armas de fuego.

Objetivo del estudio:

• Evaluar el rendimiento del modelo de aprendizaje profundo para clasificar los sonidos de armas de fuego.
• Investigar la efectividad de varias representaciones de espectrogramas de frecuencia temporal convertidas en imágenes para el análisis de la CNN.

Principales métodos:

• Se analizaron doce espectrogramas de frecuencia de tiempo (Mel, Bark, MFCC, CQT, Cochleagram, STFT, FFT, reasignado, Chroma, contraste espectral, Wavelet).
• Espectrogramas convertidos en imágenes RGB para la aplicación de técnicas de visión por ordenador.
• Se han entrenado seis arquitecturas de red neuronal convolucional (CNN) (ResNet18, ResNet50, ResNet101, GoogLeNet, Inception-v3, InceptionResNetV2) en imágenes de espectrograma.

Principales resultados:

• Los espectrogramas CQT, Cochleagram y Mel lograron una alta precisión de clasificación (> 94%) cuando se usaron con CNN profundos como ResNet101 e InceptionResNetV2.
• La transformación de espectrogramas en imágenes permitió el uso efectivo de modelos de procesamiento basados en imágenes y aprendizaje profundo.
• El enfoque demostró robustez en la captura de patrones espectrotemporales para una clasificación precisa del sonido del arma de fuego.

Conclusiones:

• Los modelos de aprendizaje profundo, particularmente las CNN, combinados con el análisis de espectrogramas basados en imágenes, proporcionan un marco poderoso para la clasificación de sonidos de armas de fuego.
• Las representaciones espectrográficas específicas (CQT, Cochleagram, Mel) son altamente efectivas cuando se convierten en formatos de imagen para el aprendizaje profundo.
• Esta metodología mejora la precisión y la robustez en aplicaciones como la seguridad pública y las investigaciones forenses.