論文の概要: Deciphering GunType Hierarchy through Acoustic Analysis of Gunshot Recordings

• arxiv url: http://arxiv.org/abs/2506.20609v1
• Date: Wed, 25 Jun 2025 17:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.865473
• Title: Deciphering GunType Hierarchy through Acoustic Analysis of Gunshot Recordings
• Title（参考訳）: ショット記録の音響解析による銃型階層の解読
• Authors: Ankit Shah, Rita Singh, Bhiksha Raj, Alexander Hauptmann,
• Abstract要約: 銃乱射事件や銃乱射事件は公共の安全にとって重大な脅威である。 現在の商用の銃弾検出システムは有効だが、しばしば禁止費用がかかる。 本研究は, ショット記録の音響解析を活用することで, 費用対効果について検討する。
• 参考スコア（独自算出の注目度）: 72.55205022155394
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The escalating rates of gun-related violence and mass shootings represent a significant threat to public safety. Timely and accurate information for law enforcement agencies is crucial in mitigating these incidents. Current commercial gunshot detection systems, while effective, often come with prohibitive costs. This research explores a cost-effective alternative by leveraging acoustic analysis of gunshot recordings, potentially obtainable from ubiquitous devices like cell phones, to not only detect gunshots but also classify the type of firearm used. This paper details a study on deciphering gun type hierarchies using a curated dataset of 3459 recordings. We investigate the fundamental acoustic characteristics of gunshots, including muzzle blasts and shockwaves, which vary based on firearm type, ammunition, and shooting direction. We propose and evaluate machine learning frameworks, including Support Vector Machines (SVMs) as a baseline and a more advanced Convolutional Neural Network (CNN) architecture for joint gunshot detection and gun type classification. Results indicate that our deep learning approach achieves a mean average precision (mAP) of 0.58 on clean labeled data, outperforming the SVM baseline (mAP 0.39). Challenges related to data quality, environmental noise, and the generalization capabilities when using noisy web-sourced data (mAP 0.35) are also discussed. The long-term vision is to develop a highly accurate, real-time system deployable on common recording devices, significantly reducing detection costs and providing critical intelligence to first responders.
• Abstract（参考訳）: 銃に関する暴力や銃乱射のエスカレート率は、公共の安全にとって重大な脅威である。 法執行機関のタイムリーかつ正確な情報は、これらの事件の軽減に不可欠である。 現在の商用の銃弾検出システムは有効だが、しばしば禁止費用がかかる。 本研究は、携帯電話などのユビキタスデバイスから入手可能な銃弾記録の音響解析を利用して、銃弾を検出するだけでなく、使用する銃器の種類を分類することで、費用対効果を追求する。 本稿では,3459枚の記録データを用いた銃型階層の解読に関する研究を詳述する。 銃器の種類, 弾薬, 射撃方向によって異なる銃口爆発, 衝撃波など, 銃弾の基本音響特性について検討した。 本稿では,SVM(Support Vector Machines)をベースラインとして,さらに高度なCNN(Convolutional Neural Network)アーキテクチャを用いて,連射検出と銃型分類を行う機械学習フレームワークの提案と評価を行う。 その結果,SVMベースライン(mAP 0.39)を上回り,クリーンラベル付きデータの平均平均精度(mAP)が0.58であることが示唆された。 ノイズの多いWebソースデータ(mAP 0.35)を使用する際のデータ品質、環境騒音、一般化能力に関する課題についても論じる。 長期的なビジョンは、一般的な記録装置に展開可能な高精度でリアルタイムなシステムを開発し、検出コストを大幅に削減し、最初の応答者に重要な情報を提供することである。

関連論文リスト

• Let the Noise Speak: Harnessing Noise for a Unified Defense Against Adversarial and Backdoor Attacks [31.291700348439175]
  機械学習に対する悪意のあるデータ操作攻撃は、安全クリティカルなアプリケーションにおける信頼性を損なう。 再建型侵入検知システムであるNoiSecを提案する。 NoiSecは、テスト入力からノイズを取り除き、ノイズから基礎となる特徴を抽出し、それらを活用して、システマティックな悪意のある操作を認識する。
  論文  参考訳（メタデータ） (2024-06-18T21:44:51Z)
• Active shooter detection and robust tracking utilizing supplemental synthetic data [6.719034568121972]
  米国における銃暴力は、公共の安全を改善するシステムの開発に焦点をあてている。 1つのアプローチは、乱射事件の予防または緩和に役立つシューターを検出し、追跡することである。 我々は、銃だけでなく、射撃者全体を検出することを提案し、追跡の堅牢性を改善することを可能にした。
  論文  参考訳（メタデータ） (2023-09-06T21:58:58Z)
• CCTV-Gun: Benchmarking Handgun Detection in CCTV Images [59.24281591714385]
  銃の暴力は重要なセキュリティ問題であり、コンピュータビジョンコミュニティが効果的な銃検出アルゴリズムを開発することが必須である。 実際のCCTV画像から銃を検出することは、未だに困難で未調査の課題である。 我々は,実世界のCCTV画像における拳銃検出の課題に対処するベンチマーク「textbfCCTV-Gun」を提案する。
  論文  参考訳（メタデータ） (2023-03-19T16:17:35Z)
• A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks [84.10546708708554]
  3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。 敵の攻撃に対する強固さを理解することが不可欠である。 本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
  論文  参考訳（メタデータ） (2022-12-20T13:09:58Z)
• YouTube-GDD: A challenging gun detection dataset with rich contextual information [5.956046069509441]
  この研究は、YouTube Gun Detection dataset(YouTube-GDD)と呼ばれる新しい挑戦的なデータセットを提示している。 私たちのデータセットは、343の高精細度YouTubeビデオから収集され、5,000の精巧な画像が含まれており、そのうち16064の銃と9046の人が注釈付けされている。 銃検出のためのベースラインを構築するために,YouTube-GDD上でYOLOv5を評価し,関連する注釈情報の追加が銃検出に与える影響を解析した。
  論文  参考訳（メタデータ） (2022-03-08T14:55:10Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
  敵対的なサポートセットを強調するための検出戦略を提案する。 我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。 提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
  論文  参考訳（メタデータ） (2020-12-09T14:13:41Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)
• Sound of Guns: Digital Forensics of Gun Audio Samples meets Artificial Intelligence [0.7734726150561086]
  本稿では,マイクロホンとシューターの相対的な位置を全く意識せず,記録装置の知識をゼロにする新しい手法を提案する。 われわれのソリューションは、銃のカテゴリ、口径、モデルを特定し、3655サンプルからなるデータセット上で90%以上の精度に達する。
  論文  参考訳（メタデータ） (2020-04-15T09:12:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。