Exploring Feature Extraction Technique Parameters for Acoustic Gunshot Classification

Resumo Técnico: Explorando Parâmetros de Técnicas de Extração de Características para Classificação Acústica de Disparos

Declaração do Problema
A detecção e classificação acústica de disparos é uma capacidade crítica para a segurança pública civil, operações militares e conservação da vida selvagem. No entanto, o campo carece de uma exploração rigorosa de técnicas de extração de características focadas especificamente na generalização para dados realistas e diversos. Embora existam sistemas comerciais como o ShotSpotter, eles enfrentam desafios significativos para distinguir disparos de outros sons urbanos impulsivos (ex: fogos de artifício, estouros de veículos) e frequentemente carecem de precisão verificada de forma independente quanto à classificação do tipo de arma de fogo. A literatura atual oferece conjuntos de parâmetros inconsistentes para a extração de características sem justificativa sistemática, deixando uma lacuna na compreensão de como configurações específicas impactam o desempenho do modelo em cenários do mundo real.

Metodologia
Os autores conduziram uma investigação sistemática utilizando um conjunto de dados de grande escala composto por 22.306 gravações de disparos abrangendo 21 calibres e 85 armas de fogo distintas. O conjunto de dados foi agregado de cinco fontes de acesso aberto, incluindo dados coletados ao vivo da Certus Innovations, o Conjunto de Dados C3GD e a Free Firearm Sound Library.

O estudo focou em três técnicas primárias de extração de características:

1. Espectrogramas de Transformada de Fourier de Curto Prazo (STFT): Representações de frequência linear.
2. Espectrogramas Log-Mel: Representações motivadas pela percepção utilizando o escalonamento de frequência da escala Mel.
3. Coeficientes Cepstrais de Frequência Mel (MFCCs): Coeficientes compactos derivados do banco de filtros log-mel via Transformada Discreta de Cosseno.

Os autores avaliaram 12 conjuntos de parâmetros únicos através dessas técnicas, variando hiperparâmetros críticos, incluindo:

• Comprimento da Janela FFT: Variando de 512 a 2048 amostras.
• Comprimento do Salto (Hop Length): Testando a sobreposição padrão de 50% contra a sobreposição matematicamente ideal de 75% (para janelas Hann/Hamming) para minimizar o vazamento espectral.
• Escalonamento de Frequência: Comparando o escalonamento de amplitude linear vs. logarítmico (dB).
• Bancos de Filtros Mel: Testando 64, 128 e 256 bandas.
• Coeficientes Cepstrais: Testando 20, 30 e 40 coeficientes para MFCCs.

Todos os experimentos utilizaram uma arquitetura ResNet-18 (modificada para entrada de canal único e 21 classes de saída) treinada com PyTorch. Para garantir a robustez, o estudo incorporou aumento de dados (deslocamento temporal, ruído Gaussiano e ajuste de ganho) e executou cada experimento cinco vezes com diferentes sementes aleatórias.

Principais Resultados
Os experimentos geraram as seguintes métricas de desempenho (Acurácia Top-1):

• Espectrogramas Log-Mel: Alcançaram o maior desempenho, com uma acurácia máxima de 96,66% (utilizando o conjunto de parâmetros "Hann Ideal") e uma acurácia média de 95,82%. Este método demonstrou os resultados mais consistentes entre diferentes configurações de parâmetros.
• Espectrogramas STFT: Desempenharam fortemente com uma acurácia máxima de 95,81% e uma média de 94,10%. Notavelmente, os STFTs de amplitude linear performaram significativamente pior que as versões escalonadas em dB, e a maior resolução de frequência (FFT de 2048) resultou em menor acurácia comparado a configurações focadas no tempo.
• MFCCs: Desempenharam significativamente abaixo dos outros métodos, com uma acurácia máxima de 85,24% e uma média de 82,20%. Os MFCCs também exibiram a maior variância nos resultados.

O estudo descobriu que o conjunto de parâmetros "Hann Ideal" (utilizando um salto de 75% para supressão ideal de lóbulos laterais) rendeu os resultados mais estáveis e precisos para espectrogramas Log-Mel, destacando a importância do parâmetro de comprimento de salto, frequentemente negligenciado. Além disso, os resultados sugerem que as características no domínio do tempo podem conter informações mais discriminativas para disparos do que as características baseadas em frequência, como evidenciado pelo desempenho superior das configurações que favorecem a resolução temporal.

Significância e Alegações
O artigo afirma que a seleção de técnicas de extração de características e seus parâmetros específicos é um fator decisivo na classificação acústica de disparos, capaz de melhorar a acurácia Top-1 em até 20% em comparação com escolhas subótimas. Especificamente, os autores demonstram que:

1. Os Espectrogramas Log-Mel são a representação de entrada dominante para esta tarefa, superando tanto STFT quanto MFCCs.
2. O ajuste de parâmetros é crítico: Utilizar os parâmetros corretos para uma determinada técnica (ex: comprimento de salto, tamanho de FFT) pode melhorar a acurácia em adicionais 4,7%.
3. MFCCs não são universalmente ótimos: Contrariando sua popularidade no reconhecimento de fala, os MFCCs forneceram desempenho pobre e alta variância para a classificação de disparos, desafiando a suposição de que modelos de percepção auditiva humana se traduzem bem para eventos acústicos não biológicos como disparos.
4. A generalização é fundamental: O estudo enfatiza que sistemas robustos devem generalizar entre diversas armas, calibres e condições de gravação, em vez de depender de um desempenho estreito em ambientes controlados.

Os autores concluem que nenhum método de extração de características domina universalmente; portanto, encontrar a técnica e o conjunto de parâmetros ideais deve ser uma etapa central no desenvolvimento de modelos para classificação acústica de disparos. Eles também observam que trabalhos futuros devem abordar o componente de onda de choque supersônica, ainda pouco explorado, que frequentemente está ausente nos conjuntos de dados abertos atuais.