Otimização de híper-parâmetros em classificadores de som
54º Congreso Español de Acústica — Tecniacústica 2023
Abstract
O contributo deste trabalho é o de explorar o espaço de HyP (híper-parâmetros) na procura dos valores que optimizem o desempenho de todo o processo de classificação automática de sons impulsivos. Esse processo inicia na geração do conjunto de dados ("dataset") a processar, prossegue com a aprendizagem de modelos de classificação e termina com a avaliação dos modelos aprendidos. O conceito de HyP refere-se, em geral, aos valores escolhidos para configuração de determinado algoritmo a executar num processo de Aprendizagem Automática. Esse algoritmo tem como "input" um "dataset" (os excertos de áudio) que o algoritmo processa visando aprender (descobrir) padrões contidos nesses dados. Neste trabalho propomos estender o conceito de HyP de modo a englobar também a construção do próprio "dataset". Temos 2 conjuntos de HyP: a) os usados para geração do "dataset" (HyP_data), e b) os usados pelo algoritmo que processa o "dataset" (HyP_learn). De modo mais formal, temos HyP = {HyP_data, HyP_learn}, e HyP_data = {HyP_data_global (e.g.: Event-Length, Number-of-Segments, Bandwidth), HyP_data_feature (e.g.: Root-Mean-Square, Band-Energy-Ratio, Spectral-Centroid, Zero-Crossing-Rate)}. A validação do processo irá recorrer a áudio extraído de vídeos de competições de eventos desportivos, nomeadamente, ténis e padel onde se procuram identificar os sons de pancadas da raquete na bola.