Modelo de aprendizaje profundo utilizando squeezenet y movimiento molecular de gas ideal promovido para la...

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Recuperación de la información musical

Sus antecedentes:

• La clasificación del género musical (MGC) es crucial pero desafiante debido a las señales de audio de alta dimensión, variables y ruidosas.
• Los modelos tradicionales de aprendizaje profundo a menudo luchan con el exceso de ajuste y la óptima local, lo que requiere recursos computacionales sustanciales.

Objetivo del estudio:

• Proponer un nuevo modelo híbrido para mejorar el rendimiento de la clasificación de géneros musicales.
• Abordar las limitaciones de los modelos tradicionales de aprendizaje profundo en el manejo de datos de audio complejos.

Principales métodos:

• Se optimizó un modelo de SqueezeNet utilizando el Movimiento Molecular de Gas Ideal Promovido (PIGMM), un algoritmo metaheurístico que incorpora la teoría del caos y el aprendizaje basado en la oposición.
• El modelo fue entrenado y validado en espectrogramas de audio utilizando validación cruzada de diez veces en conjuntos de datos GTZAN y Extended Ballroom.

Principales resultados:

• El modelo propuesto logró una precisión del 96% en la extracción de características.
• Se obtuvieron exactitudes de clasificación del 91,1% (GTZAN) y del 93,4% (Extended Ballroom), superando los modelos de última generación.
• Los valores de alta precisión (hasta el 95,8%) y de recuperación (hasta el 97,7%) confirman la eficacia del modelo.

Conclusiones:

• El modelo híbrido SqueezeNet-PIGMM ofrece una solución ligera y resistente al ruido para la clasificación escalable de géneros musicales.
• Este enfoque demuestra un rendimiento superior y capacidades de generalización en comparación con los métodos existentes.
• El estudio destaca el potencial de la optimización metaheurística para mejorar los modelos de aprendizaje profundo en el procesamiento de señales de audio.