Titulo: Classificação de Pássaros por Meio de Cantos e Chamados: Uma Abordagem Integrada com Espectrogramas em Conjunto com Descritores Handcrafted e Transfer Learning, Aplicada ao Support Vector Machine (SVM)
Curso: Bacharelado em Ciência da Computação
Universidade: Universidade Tecnologica Federal do Paraná
Aluno: Felipe Archanjo da Cunha Mendes
Orientador: Prof. Dr. Juliano Enrique Foleis
Este projeto visa o desenvolvimento de um sistema robusto para a classificação de espécies de pássaros com base em suas vocalizações. Utilizando técnicas avançadas de processamento de sinal e aprendizado de máquina, o sistema identifica padrões únicos nas faixas de áudio dos pássaros para realizar a classificação.
O método de classificação adotado neste trabalho é subdividido em quatro etapas principais, descritas a seguir:
- Geração de Espectrogramas: Primeiramente, convertemos as faixas de áudio dos pássaros em espectrogramas. Esta transformação permite a visualização das frequências presentes no áudio ao longo do tempo, facilitando a identificação de características distintivas.
- Geração de Patches: Os espectrogramas são então segmentados em N patches (pequenas seções de igual tamanho). Esta etapa visa dividir o espectrograma em partes menores para uma análise mais detalhada e eficaz.
- Extração de Características: A partir dos patches, procedemos à extração de características relevantes. Utilizamos descritores específicos, previamente definidos no projeto, para analisar os M pássaros mais similares. As características extraídas são compiladas em tabelas para posterior análise.
- Classificação: Finalmente, aplicamos o método de Máquinas de Vetores de Suporte (SVM) para classificar os dados. A técnica de validação cruzada K-folds, juntamente com o GridSearchCV, é empregada para otimizar a seleção de parâmetros. Além disso, um sistema de votação é utilizado para consolidar os resultados dos patches, permitindo a classificação de cada espectrograma de maneira integral.
Os resultados obtidos serão apresentados em forma de tabelas e gráficos, detalhando as taxas de acerto, precisão, recall, e outras métricas relevantes. Essas informações serão cruciais para avaliar a eficácia do sistema proposto e identificar possíveis áreas para melhorias futuras.