@MASTERSTHESIS{ 2023:1109097658,
 	title = {Modelos geradores para detec??es de anomalias em atividades sonoras},
 	year = {2023},
 	url = "https://tede.ufam.edu.br/handle/tede/9736",
 	abstract = "Diversos dom?nios de dados possibilitam a utiliza??o de detec??o de anomalias, dentre eles o ?udio. Uma funcionalidade importante destes sistemas ? identificar quando algo est? fora da normalidade. Para isso, diversos estudos utilizando aprendizagem de m?quina foram realizados. Os estado-da-arte na identifica??o de anomalias em imagens utilizam arquiteturas baseadas em GAN (Generative Adversarial Network), entretanto, poucos estudos demonstram a utiliza??o destas ou outras arquiteturas geradoras no dom?nio de sons. Para lidar com esse problema, este trabalho prop?e o desenvolvimento de um m?todo de identifica??o de anomalias em atividades sonoras utilizando dados capturados atrav?s de microfones. O processo de identifica??o de anomalia ? realizado por meio de um modelo gerador a partir de uma arquitetura de rede profunda. Testes utilizando bases de dados reais mostram que algumas altera??es nas arquiteturas utilizadas para imagens podem obter resultados promissores. Validamos nossa abordagem no conjunto de dados DCASE 2021, que inclui mais de 180 horas de maquin?rio industrial. Avaliamos a classifica??o das anomalias, relatando uma m?dia ponderada de 88,16% de AUC e 78,05% de pAUC, resultados superiores ao apresentado por baselines.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}