Modelos de aprendizaje profundo con auto detección de eventos de audioatención para

Este Trabajo Fin de Grado tiene como objetivo la implementación de redes neuronales basadas en mecanismos de autoatención para la detección y clasificación de eventos de audio. El sistema desarrollado está inspirado en la implementación que obtuvo los mejores resultados en la evaluación competitiva DCASE2020, específicamente la cuarta tarea, dedicada a la clasificación de datos débilmente etiquetados. Estas evaluaciones tienen como objetivo incentivar el desarrollo o implementación de técnicas que mejoren el campo de investigación al que corresponden. Se ha utilizado el conjunto de datos DESED (Domestic Environment Sound Event Detection), formado por sonidos grabados y sintéticos. Estos archivos de audio contienen sonidos presentes en un entorno doméstico, tales como un cepillo de dientes, perros, gatos o habla humana. Los sonidos están presentes como sonidos principales del audio y como sonidos de fondo. Lo datos sintéticos están formados por combinaciones aleatorias de sonidos principales y de fondo. La implementación utiliza la técnica de aprendizaje Mean Teacher. En este método se entrena un modelo profesor en paralelo al modelo principal o estudiante. Las predicciones realizadas por el modelo profesor se utilizan como etiquetas para los datos no etiquetados al calcular la pérdida del modelo estudiante. Las redes implementadas son la red Transformer, que utiliza un módulo de autoatención para relacionar elementos individuales de una secuencia con el resto de esta, y la red Conformer, que combina el mismo mecanismo de autoatención con redes convolucionales para relacionar elementos con otros cercanos en la secuencia. La red Conformer fue la que obtuvo mejores resultados en la cuarta tarea de la evaluación DCASE2020. Tanto la red Transformer como la red Conformer son redes complejas que se utilizan en problemas de transformación de secuencias en secuencias (en nuestro caso para transformación de secuencias de audio en secuencias de etiquetas). Para la red Transformer existen implementaciones libres en repositorios como GitHub, pero no ocurre lo mismo para la red Conformer en el momento de desarrollar el trabajo, debido a su novedad, por lo que una de las mayores dificultades del trabajo ha consistido en implementar estas redes. Para la implementación de estas redes se han implementado dos módulos, que imitan la estructura ideada para la evaluación DCASE2020. Esta estructura implementa una red convolucional como módulo de extracción de características, y un clasificador por posición. Adicionalmente se añade un elemento extra al principio de cada secuencia de audio, que se utilizará para ayudar en la clasificación