研究人员在可能发生枪击的地方记录了类似枪声的声音，其中包括一个室外公园。信用:佛罗里达大西洋大学根据枪支暴力档案，今年美国发生了296起大规模枪击事件。可悲的是，2021年即将成为美国过去20年中枪支暴力最致命的一年。辨别像开枪这样的危险音频事件和像塑料袋破裂这样的非生命威胁事件，可能意味着生死之别。此外，它还可以决定是否部署公共安全工作人员。人类和计算机一样，经常混淆塑料袋爆裂的声音和真实的枪声。
在过去的几年中，对于一些众所周知的可用的声枪伤探测器系统的实施有一定程度的犹豫，因为它们可能是昂贵的并且通常是不可靠的。
在一项实验研究中，佛罗里达大西洋大学工程和计算机研究学院的研究人员专注于解决这些检测系统的可靠性问题，因为它与假阳性率有关。一个模型正确辨别声音的能力，即使是在最微妙的场景中，也将区分一个训练有素的模型和一个效率不高的模型。
面对解释所有类似于枪声的声音这一艰巨任务，研究人员创建了一个新的数据集，其中包括在各种环境和条件下收集的塑料袋爆炸的音频记录，例如塑料袋的大小和与录音麦克风的距离。音频片段的录制持续时间从400毫秒到600毫秒不等。
研究人员还开发了一种基于卷积神经网络(CNN)的分类算法作为基线，以说明这种数据收集工作的相关性。然后，将这些数据与枪击声音数据集一起用于训练基于美国有线电视新闻网的分类模型，以区分威胁生命的枪击事件和非威胁生命的塑料袋爆炸事件。
研究人员使用了一个消声室作为环境之一，它提供了“纯净的”、不受干扰的样本，这些样本为CNN增加了大量信息，反过来又使模型更加稳健。学分:佛罗里达大西洋大学发表在《传感器》杂志上的研究结果证明了假的枪炮声是如何容易混淆枪炮声检测系统的。75%的塑料袋爆破声被误认为是枪声。基于深度学习的分类模型使用包含枪声的流行城市声音数据集进行训练，无法区分塑料袋弹出声音和枪声。然而，一旦塑料袋爆裂声被注入模型训练，研究人员发现，CNN分类模型在区分真实的枪击声和塑料袋声方面表现良好。
“作为人类，我们使用额外的感官输入和过去的经验来识别声音。另一方面，计算机被训练去破译那些通常与人的耳朵不相关或不可察觉的信息，”韩琦庄，博士，资深作者，工程和计算机科学学院电气工程和计算机科学系教授和主席说。“类似于蝙蝠如何在物体周围飞扑，因为它们传输的高音调声波会在不同的时间间隔内反弹回来，我们使用了不同的环境来让机器学习算法更好地感知密切相关的声音的差异。”
在这项研究中，类似枪声的声音被记录在有可能发生枪击的地点，包括总共八个室内和室外地点。数据收集过程始于各种类型袋子的实验，垃圾桶衬垫被选为最合适的。大部分音频片段是使用六个录音设备拍摄的。为了检查声音分类模型可能被假枪声混淆的程度，研究人员在没有暴露于塑料袋弹出声音的情况下训练了模型。
最初有374个射击样本用于训练模型，这些样本是从城市声音数据库中获得的。研究人员使用了数据库中的10个类别(枪响、狗吠、儿童玩耍、汽车喇叭、空调、街头音乐、警笛、发动机空转、手提钻和钻孔)。经过训练，该模型然后被用来测试其拒绝塑料袋弹出声音作为真正的枪声的能力。
第一作者、FAU电气工程和计算机科学系博士生拉杰什·巴利拉姆·辛格说:“高比例的错误分类表明，分类模型很难辨别类似枪声的声音，如塑料袋弹出的声音和真实的枪声。"这保证了开发一个包含类似于真实枪响声音的数据的过程."
在枪击检测中，拥有一个特定声音的数据库，它可以与枪击声音相混淆，但又具有丰富的多样性，这可以产生一个更有效的枪击检测系统。这个概念促使研究人员创建了一个塑料袋爆炸声音的数据库。同一声音的多样性越高，机器学习算法正确检测该特定声音的可能性就越高。
工程与计算机科学学院院长、博士斯特拉·巴塔拉马(Stella Batalama)表示:“提高枪击检测算法的性能，特别是降低其误报率，将减少将无关痛痒的音频触发事件视为涉及枪支的危险音频事件的机会。“我们的研究人员开发的这个数据集，以及他们为枪声和类似枪声的声音训练的分类模型，是减少误报的重要一步，也是通过仅在必要时部署关键人员来提高整体公共安全的重要一步。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
