Exploring Feature Extraction Technique Parameters for Acoustic Gunshot Classification

Sintesi Tecnica: Esplorazione dei Parametri delle Tecniche di Estrazione delle Caratteristiche per la Classificazione Acustica degli Spari

Definizione del Problema
Il rilevamento e la classificazione acustica degli spari è una capacità critica per la sicurezza pubblica civile, le operazioni militari e la conservazione della fauna selvatica. Tuttavia, il campo manca di un'esplorazione rigorosa delle tecniche di estrazione delle caratteristiche focalizzata specificamente sulla generalizzazione a dati realistici e diversificati. Sebbene esistano sistemi commerciali come ShotSpotter, essi affrontano sfide significative nel distinguere gli spari da altri suoni impulsivi urbani (ad esempio, fuochi d'artificio, scoppi di motori) e spesso mancano di un'accuratezza verificata indipendentemente riguardo alla classificazione del tipo di arma da fuoco. La letteratura attuale offre set di parametri inconsistenti per l'estrazione delle caratteristiche senza una giustificazione sistematica, lasciando un vuoto nella comprensione di come specifiche configurazioni impattino sulle prestazioni del modello in scenari reali.

Metodologia
Gli autori hanno condotto un'indagine sistematica utilizzando un dataset su larga scala composto da 22.306 registrazioni di spari appartenenti a 21 calibri e 85 armi da fuoco uniche. Il dataset è stato aggregato da cinque fonti open-access, incluse i dati raccolti dal vivo da Certus Innovations, il dataset C3GD e la Free Firearm Sound Library.

Lo studio si è concentrato su tre tecniche primarie di estrazione delle caratteristiche:

1. Spettrogrammi STFT (Short-Time Fourier Transform): Rappresentazioni di frequenza lineare.
2. Spettrogrammi Log-Mel: Rappresentazioni motivate dalla percezione che utilizzano una deformazione della scala di frequenza Mel.
3. MFCC (Mel-Frequency Cepstral Coefficients): Coefficienti compatti derivati dal banco di filtri log-mel tramite la Trasformata Discreta del Coseno.

Gli autori hanno valutato 12 set di parametri unici attraverso queste tecniche, variando iperparametri critici tra cui:

• Lunghezza della finestra FFT: Da 512 a 2048 campioni.
• Lunghezza del salto (Hop Length): Testando la sovrapposizione standard del 50% contro l'ideale matematico del 75% (per finestre Hann/Hamming) per minimizzare la dispersione spettrale (spectral leakage).
• Scaling della frequenza: Confronto tra scaling dell'ampiezza lineare e logaritmico (dB).
• Banchi di filtri Mel: Testando 64, 128 e 256 bande.
• Coefficienti Cepstrali: Testando 20, 30 e 40 coefficienti per gli MFCC.

Tutti gli esperimenti hanno utilizzato un'architettura ResNet-18 (modificata per input a singolo canale e 21 classi di output) addestrata con PyTorch. Per garantire la robustezza, lo studio ha incorporato l'aumento dei dati (spostamento temporale, rumore Gaussiano e regolazione del guadagno) e ha eseguito ogni esperimento cinque volte con diversi seed casuali.

Risultati Chiave
Gli esperimenti hanno prodotto i seguenti parametri di prestazione (Accuratezza Top-1):

• Spettrogrammi Log-Mel: Hanno raggiunto le prestazioni più elevate, con un'accuratezza massima del 96,66% (utilizzando il set di parametri "Hann Ideal") e una media del 95,82%. Questo metodo ha dimostrato i risultati più coerenti attraverso diverse configurazioni di parametri.
• Spettrogrammi STFT: Hanno performato fortemente con un'accuratezza massima del 95,81% e una media del 94,10%. Notevolmente, gli STFT a ampiezza lineare sono stati significativamente peggiori rispetto alle versioni scalate in dB, e una maggiore risoluzione in frequenza (FFT 2048) ha portato a un'accuratezza inferiore rispetto alle configurazioni focalizzate sul tempo.
• MFCC: Hanno sottoperformato significativamente rispetto agli altri metodi, con un'accuratezza massima dell'85,24% e una media dell'82,20%. Gli MFCC hanno anche mostrato la maggiore varianza nei risultati.

Lo studio ha rilevato che il set di parametri "Hann Ideal" (che utilizza un salto del 75% per un'ottimale soppressione dei lobi secondari) ha prodotto i risultati più stabili e accurati per gli spettrogrammi Log-Mel, evidenziando l'importanza del parametro della lunghezza del salto, spesso trascurato. Inoltre, i risultati suggeriscono che le caratteristiche nel dominio del tempo possano contenere informazioni più discriminanti per gli spari rispetto alle caratteristiche basate sulla frequenza, come dimostrato dalla prestazione superiore delle configurazioni che favoriscono la risoluzione temporale.

Significatività e Rivendicazioni
L'articolo sostiene che la selezione delle tecniche di estrazione delle caratteristiche e dei loro specifici parametri è un fattore decisivo nella classificazione acustica degli spari, capace di migliorare l'accuratezza top-1 fino al 20% rispetto a scelte subottimali. Nello specifico, gli autori dimostrano che:

1. Gli spettrogrammi Log-Mel sono la rappresentazione di input dominante per questo compito, superando sia gli STFT che gli MFCC.
2. La sintonizzazione dei parametri è critica: L'utilizzo dei parametri corretti per una data tecnica (ad esempio, lunghezza del salto, dimensione FFT) può migliorare l'accuratezza di un ulteriore 4,7%.
3. Gli MFCC non sono universalmente ottimali: Contrariamente alla loro popolarità nel riconoscimento del parlato, gli MFCC hanno fornito prestazioni scarse e un'alta varianza per la classificazione degli spari, sfidando l'assunto che i modelli di percezione uditiva umana si traducano bene in eventi acustici non biologici come gli spari.
4. La generalizzazione è fondamentale: Lo studio sottolinea che i sistemi robusti devono generalizzare attraverso diverse armi da fuoco, calibri e condizioni di registrazione, piuttosto che fare affidamento su prestazioni ristrette in ambienti controllati.

Gli autori concludono che nessun singolo approccio di estrazione delle caratteristiche domina universalmente; pertanto, trovare la tecnica ottimale e il set di parametri dovrebbe essere un passaggio centrale nello sviluppo del modello per la classificazione acustica degli spari. Notano inoltre che il lavoro futuro dovrebbe affrontare la componente dell'onda d'urto supersonica, meno esplorata, che spesso manca negli attuali dataset open.