Home » Departamento de Procesamiento de Señales » Defensa Tesis Maestría : “Herramientas computacionales para el análisis del entorno sonoro urbano”

Defensa Tesis Maestría : “Herramientas computacionales para el análisis del entorno sonoro urbano”

Lunes 6 de mayo 09:30hs, Salón Marrón (piso 7, salón 705) – Facultad de Ingeniería, J. Herrera y Reissig 565

Tenemos el agrado de invitarlos a la defensa de tesis de maestría de Pablo Zinemanas :  “Herramientas computacionales para el análisis del entorno sonoro urbano”

Tutores : Elizabeth González y Pablo Cancela

Tribunal : Mauricio Delbracio (IIE-FIng-UdelaR), Justin Salamon (Audio Research Group, Adobe Research, San Francisco) y Leonardo Nunes (Microsoft’s Advanced Technology Labs, Rio de Janeiro).

Saludos,
Pablo Cancela

Resumen :

Muchos centros urbanos presentan niveles de ruido que pueden ser molestos para sus habitantes, o incluso nocivos para la salud. Por esta razón el entorno sonoro constituye frecuentemente una problemática en las ciudades presente en los reclamos de las comunidades y grupos ambientalistas, en la planificación gubernamental y en los estudios académicos. En esta tesis se estudian herramientas computacionales para la caracterización de entornos sonoros urbanos. El foco del trabajo es la detección de eventos sonoros, lo que implica la clasificación de las fuentes presentes en el registro sonoro, incluyendo su tiempo de inicio y duración. Se relevan las bases de datos disponibles y se concluye que es necesario crear datos propios de la ciudad de Montevideo. Esto conduce a la creación de la base de datos SonidosMVD, y a la definición de una taxonomía para la misma. Se presentan experimentos de detección de eventos sonoros con distintos algoritmos de clasificación profunda y poco profunda sobre distintos conjuntos de datos. Se diseña un modelo “end-to-end”, cuya entrada es la forma de onda de la señal y la salida es el vector de clasificación, y se muestra su utilidad para este problema. Esto se realiza concatenando dos redes : una para la extracción de características y otra para la clasificación. Se muestra que se pueden diseñar dichos modelos utilizando conocimiento sobre el problema para inicializar el entrenamiento en un punto inicial que ha demostrado brindar buenos resultados. Con este sistema se obtienen resultados de clasificación similares a los del estado el arte mientras que se disminuye el numero de parámetros involucrados.