Descriptor: Certus Caliber Classification Gunshot Dataset (C3GD)

Resumen Técnico: Conjunto de Datos de Clasificación de Disparos por Calibre Certus (C3GD)

Planteamiento del Problema
La detección acústica ofrece ventajas distintivas para la detección de disparos, incluyendo la capacidad de operar sin línea de visión y la compatibilidad con infraestructuras existentes como los teléfonos inteligentes. Sin embargo, la clasificación automática de armas de fuego sigue siendo un desafío significativo debido a la breve duración de las explosiones de la boca del cañón, la prevalencia de falsos positivos de sonidos impulsivos similares (por ejemplo, fuegos artificiales, estallidos de motores) y la dificultad de entrenar modelos en condiciones acústicas diversas. Un cuello de botella principal para el avance de este campo es la falta de conjuntos de datos de alta calidad y disponibles públicamente. Los recursos existentes suelen depender de audio obtenido de internet (por ejemplo, YouTube), lo que introduce ruido en las etiquetas y una falta de metadatos críticos (tipo de micrófono, ubicación, condiciones ambientales). Por el contrario, los conjuntos de datos de alta fidelidad carecen de la escala y la diversidad de modelos de armas de fuego y calibres necesarios para una generalización robusta. Además, los sistemas actuales como ShotSpotter han sido objeto de escrutinio debido a su precisión en despliegues del mundo real, lo que resalta la necesidad de mejorar los datos de investigación para optimizar los modelos de detección y clasificación.

Metodología
Los autores presentan el Certus Caliber Classification Gunshot Dataset (C3GD), un conjunto de datos recolectado en campo diseñado para abordar las limitaciones de trabajos previos mediante una adquisición de datos y verificación de metadatos rigurosas.

• Recolección de Datos: El conjunto de datos comprende más de 8,000 puntos de datos de audio recolectados en tres ubicaciones exteriores distintas (Ohio, Nueva Jersey y Nueva York) a lo largo de varios meses. La recolección involucró 28 modelos de armas de fuego distintos que representan 16 calibres diferentes.
• Instrumentación: Para asegurar la diversidad en las condiciones de grabación, el estudio utilizó una matriz heterogénea de dispositivos de grabación, incluyendo grabadoras profesionales (Tascam DR-05XP), micrófonos de solapa (DJI Mic AST01), tabletas (Samsung Galaxy Tab A9+) y teléfonos móviles (Google Pixel 7). Los micrófonos se colocaron a diversas distancias y ángulos con respecto al punto de disparo para capturar la propagación y variabilidad acústica.
• Pipeline de Procesamiento:
  • Sincronización: Todas las grabaciones fueron sincronizadas manualmente identificando el inicio de la boca del cañón en cada archivo, alineándolas a un canal de referencia de alta calidad para asegurar la consistencia temporal.
  • Segmentación: Un script de Python personalizado extrajo eventos de disparos individuales. El algoritmo identificó picos de amplitud por encima de un umbral del 80% en el canal de referencia y extrajo una ventana de 1 segundo (retrocediendo aproximadamente 0.1s) para capturar la explosión completa de la boca del cañón.
  • Estandarización: Todo el audio fue remuestreado a una tasa uniforme de 48 kHz.
  • Extracción de Características: Aunque el conjunto de datos se proporciona en formato de audio bruto para permitir flexibilidad, los autores sugieren los espectrogramas log-mel como un punto de partida para la clasificación, en consistencia con la literatura previa.
• Metadatos y Verificación: Se empleó un proceso de verificación de múltiples pasos. Los metadatos de campo (marca, modelo, calibre, tipo de munición) fueron registrados manualmente y contrastados con documentación de fabricantes y bases de datos balísticas. Se incorporó redundancia al esquema anotando el calibre y el arma en la propia pista de audio para asegurar la alineación con los registros escritos.

Contribuciones Clave

• Escala y Diversidad: El C3GD ofrece una mayor diversidad de armas de fuego, municiones, calibres, tipos de micrófonos y posiciones de grabación que los conjuntos de datos públicos disponibles anteriormente. Incluye 8,015 archivos de audio a través de 16 calibres y 28 modelos de armas de fuego.
• Metadatos de Alta Fidelidad: A diferencia de muchos conjuntos de datos obtenidos de internet, el C3GD proporciona metadatos detallados y verificados sobre los cartuchos específicos utilizados (por ejemplo, distinguiendo entre cargas subsónicas y supersónicas cuando aplica), ubicaciones de micrófonos y especificaciones de dispositivos.
• Diseño Centrado en el Calibre: El conjunto de datos se enfoca en la clasificación basada en el calibre en lugar de modelos de armas de fuego específicos o categorías amplias (por ejemplo, pistola frente a rifle). Los autores argumentan que este enfoque ofrece una mejor generalización dada la ambigüedad de las configuraciones modernas de armas de fuego (por ejemplo, carabinas de calibre de pistola, plataformas modulares).
• Acceso Abierto: El conjunto de datos es accesible públicamente, incluyendo archivos de audio bruto (.wav), metadatos detallados (.csv) y scripts para el post-procesamiento y la generación de espectrogramas.

Resultos y Características del Conjunto de Datos
El artículo no presenta las métricas de rendimiento de un modelo de aprendizaje automático específico entrenado con el conjunto de datos; más bien, los "resultados" son el propio conjunto de datos y su desglose estadístico.

• Distribución de Clases: El conjunto de datos está desbalanceado pero cubre un amplio rango de calibres. La clase con mayor representación es 9x19mm (1,507 muestras), seguida de 5.56x45mm (979 muestras) y .380 ACP (720 muestras). La de menor representación es .45-70 (63 muestras).
• Calidad de los Datos: Todas las grabaciones pasaron por un control de calidad riguroso, incluyendo inspección visual en Audacity para asegurar la presencia de disparos y la ausencia de ruido externo significativo. Los datos se describen como "limpios", con un mínimo de clipping o ruido de fondo.

Significancia y Reivindicaciones
Los autores posicionan al C3GD como un recurso crítico para avanzar en la clasificación acústica de disparos, particularmente para su despliegue en dispositivos de borde (edge devices) y plataformas móviles.

• Generalización: Al proporcionar un conjunto diverso de condiciones de grabación del mundo real y metadatos verificados, el conjunto de datos tiene como objetivo apoyar el desarrollo de modelos que puedan generalizar mejor que aquellos entrenados con datos de internet.
• Utilidad Operativa: El enfoque en la clasificación de calibres se presenta como el enfoque más práctico para aplicaciones operativas, ofreciendo resultados interpretables para inteligencia táctica y evaluación de amenazas.
• Limitaciones y Trabajo Futuro: Los autores son modestos respecto a la aplicabilidad inmediata del conjunto de datos a todos los escenarios. Indican explícitamente que los entornos exteriores semi-controlados carecen de la reverberación significativa y el ruido de fondo urbano que se encuentran en despliegues urbanos densos. En consecuencia, advierten que los modelos entrenados únicamente con estos datos pueden requerir adaptación de dominio (por ejemplo, aumentación de audio con ruido y reverberación) para funcionar correctamente en entornos urbanos reales. Se planea que el trabajo futuro amplíe el conjunto de datos para incluir metadatos ambientales adicionales (temperatura, densidad del aire) y para abordar la detección de ondas de choque supersónicas, que actualmente están ausentes en los conjuntos de datos anotados.