[논문 리뷰] Bioacoustic Signal Classification Based on Continuous Region Processing, Grid Masking and Artificial Neural Network

Mohammad Pourhomayoun, Peter J. Dugan외 2명|arXiv (Cornell University)|2013. 05. 15.

Marine animal studies overview참고 문헌 13인용 수 18

한 줄 요약

이 논문은 연속된 영역 처리, 격자 마스킹, 인공 신경망을 사용하여 소음 환경에서 북대서양 오리지널 고래의 업콜을 탐지하기 위한 새로운 생음향 신호 분류 방법을 제시한다. 이 방법은 관심 영역의 스펙트로그램을 추출하고 격자 마스킹을 통해 압축된 특징 집합으로 압축한 후 높은 정확도로 분류한다—매사추세츠 만에서 확보한 대규모 데이터셋에서 90%의 참 양성률을 기록할 때 4.5% 이하의 거짓 양성률을 달성한다.

ABSTRACT

In this paper, we develop a novel method based on machine-learning and image processing to identify North Atlantic right whale (NARW) up-calls in the presence of high levels of ambient and interfering noise. We apply a continuous region algorithm on the spectrogram to extract the regions of interest, and then use grid masking techniques to generate a small feature set that is then used in an artificial neural network classifier to identify the NARW up-calls. It is shown that the proposed technique is effective in detecting and capturing even very faint up-calls, in the presence of ambient and interfering noises. The method is evaluated on a dataset recorded in Massachusetts Bay, United States. The dataset includes 20000 sound clips for training, and 10000 sound clips for testing. The results show that the proposed technique can achieve an error rate of less than FPR = 4.5% for a 90% true positive rate.

연구 동기 및 목표

• 높은 소음 환경에서 희미한 북대서양 오리지널 고래의 업콜을 탐지하는 데 도전하는 데 목적을 두며.
• 생음향 신호 분류를 위한 강력한 머신러닝 및 이미지 처리 파이프라인을 개발하는 데 목적을 두며.
• 분류에 효과적인 정보를 유지하면서 특징 차원을 감소시키는 데 목적을 두며.
• 배경 소음 및 간섭 소음이 존재하는 상황에서도 높은 탐지 정확도를 달성하는 데 목적을 두며.
• 매사추세츠 만에서 확보한 대규모 실세계 데이터셋을 기반으로 방법을 검증하는 데 목적을 두며.

제안 방법

• 스펙트로그램에 연속된 영역 처리를 적용하여 잠재적인 업콜에 해당하는 관심 영역을 식별하고 추출한다.
• 격자 마스킹을 사용하여 탐지된 영역을 고정 크기의 격자로 분할하고 압축된 저차원 특징 벡터를 생성한다.
• 결과로 생성된 특징 집합은 인공 신경망 분류기로 들어가 업콜 탐지에 사용된다.
• 이 방법은 음향 신호를 시각적 패턴으로 간주하여 스펙트로그램에 이미지 처리 기법을 활용한다.
• 학습 및 테스트 데이터셋은 매사추세츠 만에서 기록한 20,000개와 10,000개의 음성 클립으로 구성되어 있다.
• 시스템은 배경 소음 및 간섭 소음으로 인해 신호 대 잡음비(SNR)가 낮은 상황에서도 희미한 신호를 탐지하도록 최적화되어 있다.

실험 결과

연구 질문

• RQ1 연속된 영역 처리가 소음이 많은 스펙트로그램에서 잠재적인 고래 업콜을 효과적으로 분리할 수 있는가?
• RQ2 격자 마스킹이 분류에 관련된 정보를 유지하면서 특징 차원을 감소시킬 수 있는가?
• RQ3 영역 처리, 격자 마스킹, 신경망의 조합이 저SNR 조건에서 높은 탐지 정확도를 달성할 수 있는가?
• RQ4 고배경 소음이 존재하는 실세계 대규모 생음향 데이터셋에서 이 방법은 어떻게 성능을 발휘하는가?
• RQ5 희귀하고 희미한 신호에 대해 높은 참 양성률을 달성하면서도 낮은 거짓 양성률을 유지할 수 있는가?

주요 결과

• 이 방법은 90%의 참 양성률에서 4.5% 이하의 거짓 양성률을 기록하여 높은 탐지 정확도를 입증했다.
• 시스템은 높은 수준의 배경 소음 및 간섭 소음이 존재하는 상황에서도 매우 희미한 업콜을 성공적으로 탐지했다.
• 격자 마스킹의 사용으로 특징 공간이 크게 감소하여 효율적인 처리 및 분류가 가능해졌다.
• 연속된 영역 처리 알고리즘이 스펙트로그램에서 배경 소음으로부터 관련 신호 성분을 효과적으로 분리했다.
• 신경망 분류기는 매사추세츠 만의 새로운 테스트 데이터에 대해 강력한 일반화 성능을 보였다.
• 이 방법은 강건하고 확장 가능하여 실시간 또는 대규모 생음향 모니터링 응용에 적합하다.