Αναγνώριση βιοσήματος οδοντοκητών με συνελικτικά αναδρομικά νευρωνικά δίκτυα

Μακρόπουλος, Δημήτρης; Makropoulos, Dimitris

dc.contributor.author	Μακρόπουλος, Δημήτρης	el
dc.contributor.author	Makropoulos, Dimitris	en
dc.date.accessioned	2023-01-27T07:25:35Z
dc.date.available	2023-01-27T07:25:35Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56954
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24652
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Αναγνώριση προτύπων	el
dc.subject	Βιοακουστική	el
dc.subject	Αναδρομικά δίκτυα	el
dc.subject	Υδρόφωνα	el
dc.subject	Machine learning	en
dc.subject	Pattern recognition	en
dc.subject	Bioacoustic patterns	en
dc.subject	Recurrent networks	en
dc.subject	Passive acoustic listeners	en
dc.title	Αναγνώριση βιοσήματος οδοντοκητών με συνελικτικά αναδρομικά νευρωνικά δίκτυα	el
dc.title	Convolutional Recurrent Neural Networks for the classification of cetacean bioacoustic patterns	en
heal.type	bachelorThesis
heal.classification	Αναγνώριση Προτύπων	el
heal.classification	Pattern Recognition	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-31
heal.abstract	Στην εργασία που ακολουθεί εστιάζουμε στην ανάπτυξη υβριδικών συνελικτικών αναδρομικών νευρωνικών δικτύων (Convolutional Recurrent Neural Networks) για την κατηγοριοποίηση βιοσημάτων που έχουν συλλεχθεί στην Ελληνική Τάφρο και προέρχονται από δύο είδη κητωδών, φυσητήρες (Physeter macrocephalus) και ζωνοδέλφινα (Stenella coeruleoalba). Μετατρέπουμε τα ηχητικά σήματα σε φασματογραφήματα κλίμακας mel (mel-spectrograms) πριν τα εισάγουμε ως εισόδους σε βαθύ συνελικτικό δίκτυο ResNet που έχει σχεδιαστεί για να εξάγει χρονοσυχνοτικά πρότυπα. Στην κορυφή του δικτύου τοποθετείται ένα στρώμα κατανεμημένο στο χρόνο (time-distributed layer) που ανασχηματίζει τη διάσταση του διανύσματος χαρακτηριστικών για να το εισάγει σε κάποια εκδοχή αναδρομικού νευρωνικού δίκτυου, Long Short-Term Memory (LSTMs) ή Gated Recurrent Units (GRUs) και να αναγνωρίσει σε αυτό μακροπρόθεσμες χρονικές εξαρτήσεις. Αποδεικνύεται ότι το υβριδικό δίκτυο κατηγοριοποιεί με ακρίβεια ηχητικά σήματα σε ένα πρόβλημα ταξινόμησης βιοσημάτων σε κητώδη έναντι περιβάλλοντος θορύβου ενώ επιδεικνύει ισχυρή ικανότητα μάθησης σε πρόβλημα αναγνώρισης που περιλαμβάνει αλληλεπικαλυπτόμενες ηχητικές αναπαραστάσεις. Η προτεινόμενη αρχιτεκτονική επιτυγχάνει να διαχωρίσει το χώρο εισόδου αποδοτικότερα τόσο σε σχέση με παραδοσιακές μεθόδους μηχανικής μάθησης όσο και ως προς αρχιτεκτονικές βάσης που περιέχουν είτε μόνο συνελικτικά δίκτυα είτε μόνο αναδρομικά ή δομές που συνδυάζουν παράλληλα συνελικτικά και αναδρομικά δίκτυα.	el
heal.abstract	In this paper we focus on the development of a convolutional recurrent neural network (CRNN) to categorize biosignals collected in the Hellenic Trench, generated by two cetacean species, sperm whales (Physeter macrocephalus) and striped dolphins (Stenella coeruleoalba).We convert audio signals into mel-spectrograms applying dynamic compression techniques based on automatic gain control and forward the input into a deep residual network, designed to capture spectral patterns. Next, ResNet’s output is reshaped into a time-distributed layer and fed into recurrent network variants, Long Short-Term Memory (LSTMs) or Gated Recurrent Units (GRUs), able to recognize long-term time dependencies on extracted features. The hybrid network is able to perfectly classify audio signals into three categories (dolphins, sperm whales, ambient noise) while it also exhibits high learning ability on recognising intraclass representations of overlapping acoustic patterns (clicks vs whistles and clicks, both emitted by dolphins). The proposed scheme outperforms traditional ML techniques and baseline architectures comprising either ResNet or LSTM structures or their deep parallel combinations.	en
heal.advisorName	Μαραγκός, Πέτρος	el
heal.advisorName	Maragos, Petros	en
heal.committeeMemberName	Maragos, Petros
heal.committeeMemberName	Rontogiannis, Athanasios
heal.committeeMemberName	Potamianos, Gerasimos
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Σημάτων, Ελέγχου και Ρομποτικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	97 σ.	el
heal.fullTextAvailability	false