RT info:eu-repo/semantics/bachelorThesis
T1 Study, Implementation and Evaluation of Event Detection and Anomaly Identification Systems based on acoustic information
A1 Bermejo Llorente, Daniel
K1 Detección de eventos sonoros
K1 Anomalías
K1 Aprendizaje profundo
K1 Keras
K1 Tensorflow
K1 Sound event detection
K1 Anomaly
K1 Deep Learning
K1 Telecomunicaciones
K1 Telecommunication
K1 Informática
K1 Computer science
AB En la actualidad, el interés por la detección de eventos anómalos ha ido en aumento entre diferentescampos de investigación del estado del arte, como la visión por ordenador, el procesamiento de señales, la banca, etc. Las técnicas de Machine Learning (ML), y en concreto las técnicas de aprendizaje profundo, o Deep Learning (DL), han tenido un gran impacto en el desarrollo de las recientes aproximaciones,permitiendo grandes mejoras en cuanto a los índices de precisión de los sistemas propuestos. La visión por ordenador es el campo más avanzado en esta área. No obstante, existen sistemas en los que este problema se aborda a través de la información acústica proporcionada por un micrófono, o un conjunto de ellos, colocado en un entorno, debido a diferentes condicionantes: i) Privacidad del usuario; entornos en los que se debe monitorizar una situación y avisar si se encuentra alguna anomalía. Un ejemplo de este tipo de sistema es un sistema de detección de violencia doméstica desplegado en un hogar. ii) Mal funcionamiento de maquinaria; Componentes como el interior de un motor en donde es complejo instalar una cámara para comprobar el desgaste de las piezas o su correcto funcionamiento, abordar esta tarea con información acústica es una solución típicaA partir de un estudio del estado actual del arte en la detección de eventos acústicos anómalos, se haconsiderado utilizar un sistema existente para el desarrollo de este trabajo fin de grado. Los principalesobjetivos planteados han sido: reproducir los experimentos realizados por los desarrolladores del sistemaelegido, consiguiendo así resultados similares; cambiar la base de datos utilizada para entrenar, validar yprobar el sistema, con el fin de estudiar la adaptabilidad de la red a un nuevo tipo de datos; y modificarla red dada para estudiar el efecto que éstas tienen en el rendimiento del sistema.Además, se ha estudiado un segundo sistema. Dicho sistema, denominado SELDNet, es bien conocidoen el estado del arte y se centra en la detección de eventos acústicos así como en la clasificación multiclase de los mismos. Aunque no se aproxima a la tarea de detección de eventos anómalos propuesta en este proyecto, es relevante su estudio ya que un primer paso para la detección de anomalías es la detección de los eventos acústicos.
YR 2021
FD 2021
LK http://hdl.handle.net/10017/49748
UL http://hdl.handle.net/10017/49748
LA eng
DS MINDS@UW
RD 23-abr-2024