Modelos geradores para detecções de anomalias em atividades sonoras

Oliveira Neto, Wilson Araújo de; http://lattes.cnpq.br/7021584208943977; https://orcid.org/0000-0001-9027-3966

Dissertação

Modelos geradores para detecções de anomalias em atividades sonoras

Diversos domínios de dados possibilitam a utilização de detecção de anomalias, dentre eles o áudio. Uma funcionalidade importante destes sistemas é identificar quando algo está fora da normalidade. Para isso, diversos estudos utilizando aprendizagem de máquina foram realizados. Os estado-da-arte na...

ver descrição completa

Autor principal:	Oliveira Neto, Wilson Araújo de
Outros Autores:	http://lattes.cnpq.br/7021584208943977, https://orcid.org/0000-0001-9027-3966
Grau:	Dissertação
Idioma:	por
Publicado em:	Universidade Federal do Amazonas 2023
Assuntos:	Programação de sistemas (Computação) CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Anomaly detection Audio GAN - Generative Adversarial Network Sound Detecção de anomalias Modelos Geradores
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/9736

id	oai:https:--tede.ufam.edu.br-handle-:tede-9736
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-97362023-10-06T05:03:44Z Modelos geradores para detecções de anomalias em atividades sonoras Generative models for anomaly detection in sound events Oliveira Neto, Wilson Araújo de Figueiredo, Carlos Mauricio Serodio http://lattes.cnpq.br/7021584208943977 http://lattes.cnpq.br/9060002746939878 Colonna, Juan Gabriel http://lattes.cnpq.br/9535853909210803 Costa, Elloá Barreto Guedes da http://lattes.cnpq.br/6466781778573760 https://orcid.org/0000-0001-9027-3966 Programação de sistemas (Computação) CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Anomaly detection Audio GAN - Generative Adversarial Network Sound Detecção de anomalias Modelos Geradores Diversos domínios de dados possibilitam a utilização de detecção de anomalias, dentre eles o áudio. Uma funcionalidade importante destes sistemas é identificar quando algo está fora da normalidade. Para isso, diversos estudos utilizando aprendizagem de máquina foram realizados. Os estado-da-arte na identificação de anomalias em imagens utilizam arquiteturas baseadas em GAN (Generative Adversarial Network), entretanto, poucos estudos demonstram a utilização destas ou outras arquiteturas geradoras no domínio de sons. Para lidar com esse problema, este trabalho propõe o desenvolvimento de um método de identificação de anomalias em atividades sonoras utilizando dados capturados através de microfones. O processo de identificação de anomalia é realizado por meio de um modelo gerador a partir de uma arquitetura de rede profunda. Testes utilizando bases de dados reais mostram que algumas alterações nas arquiteturas utilizadas para imagens podem obter resultados promissores. Validamos nossa abordagem no conjunto de dados DCASE 2021, que inclui mais de 180 horas de maquinário industrial. Avaliamos a classificação das anomalias, relatando uma média ponderada de 88,16% de AUC e 78,05% de pAUC, resultados superiores ao apresentado por baselines. Several data domains allow the use of anomaly detection, including audio. An important feature of these systems is to identify when something is different from ordinary. For this purpose, several studies using machine learning were performed. The state of art in anomaly detection in images uses architectures based on GAN (Generative Adversarial Network), however, few studies demonstrate the use of these or other generating architectures in the domain of sounds. To overcome this problem, this work aims to develop a method for identifying anomalies in sound activities using data captured through microphones. The anomaly identification process is carried out through a generator model from a deep network architecture. Tests using real databases show that some changes in the architectures used for images can achieve promising results. This approach has been validated using the DCASE 2021 dataset, which includes over 180 hours of audio from industrial machinery. We evaluated the classification of anomalies, reporting an weighted average of 88,16% AUC and 78,05% pAUC, results superior to those presented by baselines Na parte de selecionar a licença não funcionou :( 2023-10-05T15:02:00Z 2023-08-21 Dissertação OLIVEIRA NETO, Wilson Araujo de. Modelos geradores para detecções de anomalias em atividades sonoras. 2023. 80 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2023. https://tede.ufam.edu.br/handle/tede/9736 por Acesso Aberto application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática
institution	TEDE - Universidade Federal do Amazonas
collection	TEDE-UFAM
language	por
topic	Programação de sistemas (Computação) CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Anomaly detection Audio GAN - Generative Adversarial Network Sound Detecção de anomalias Modelos Geradores
spellingShingle	Programação de sistemas (Computação) CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Anomaly detection Audio GAN - Generative Adversarial Network Sound Detecção de anomalias Modelos Geradores Oliveira Neto, Wilson Araújo de Modelos geradores para detecções de anomalias em atividades sonoras
topic_facet	Programação de sistemas (Computação) CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Anomaly detection Audio GAN - Generative Adversarial Network Sound Detecção de anomalias Modelos Geradores
description	Diversos domínios de dados possibilitam a utilização de detecção de anomalias, dentre eles o áudio. Uma funcionalidade importante destes sistemas é identificar quando algo está fora da normalidade. Para isso, diversos estudos utilizando aprendizagem de máquina foram realizados. Os estado-da-arte na identificação de anomalias em imagens utilizam arquiteturas baseadas em GAN (Generative Adversarial Network), entretanto, poucos estudos demonstram a utilização destas ou outras arquiteturas geradoras no domínio de sons. Para lidar com esse problema, este trabalho propõe o desenvolvimento de um método de identificação de anomalias em atividades sonoras utilizando dados capturados através de microfones. O processo de identificação de anomalia é realizado por meio de um modelo gerador a partir de uma arquitetura de rede profunda. Testes utilizando bases de dados reais mostram que algumas alterações nas arquiteturas utilizadas para imagens podem obter resultados promissores. Validamos nossa abordagem no conjunto de dados DCASE 2021, que inclui mais de 180 horas de maquinário industrial. Avaliamos a classificação das anomalias, relatando uma média ponderada de 88,16% de AUC e 78,05% de pAUC, resultados superiores ao apresentado por baselines.
author_additional	Figueiredo, Carlos Mauricio Serodio
author_additionalStr	Figueiredo, Carlos Mauricio Serodio
format	Dissertação
author	Oliveira Neto, Wilson Araújo de
author2	http://lattes.cnpq.br/7021584208943977 https://orcid.org/0000-0001-9027-3966
author2Str	http://lattes.cnpq.br/7021584208943977 https://orcid.org/0000-0001-9027-3966
title	Modelos geradores para detecções de anomalias em atividades sonoras
title_short	Modelos geradores para detecções de anomalias em atividades sonoras
title_full	Modelos geradores para detecções de anomalias em atividades sonoras
title_fullStr	Modelos geradores para detecções de anomalias em atividades sonoras
title_full_unstemmed	Modelos geradores para detecções de anomalias em atividades sonoras
title_sort	modelos geradores para detecções de anomalias em atividades sonoras
publisher	Universidade Federal do Amazonas
publishDate	2023
url	https://tede.ufam.edu.br/handle/tede/9736
_version_	1831970249284517888
score	11.755432

Modelos geradores para detecções de anomalias em atividades sonoras

Registros relacionados