dc.description.abstract | Günümüzde artan şiddet olayları, adli incelemelerin de önemini artırmıştır. Şiddet
olaylarının ardından gerçekleştirilecek olan adli incelemeler esnasında, erişilebilir
durumda olan bütün işitsel ve görsel veriler oldukça kıymetlidir. Olayın gerçekleştiği
konumun tespit edilmesi, şiddetin türünün belirlenmesi ve benzeri süreçler, adli ses
analizi kapsamında yer almaktadır. Günümüzde çevrimiçi içeriğe erişimin akıllı
cihazlar aracılığıyla konum bağımsız olarak gerçekleştirilebiliyor olması ve sunulan
içeriğin miktarının hızlı bir şekilde artmasıyla; içeriğin otomatik olarak
sınıflandırılmasının önemini artırmıştır. Özellikle çocuk ve gençleri olumsuz olarak
etkileyebilecek içeriğin otomatik olarak tespit edilmesi, içerik miktarının hızlı artışıyla
birlikte önem kazanmıştır. Buna karşılık, sinyal işleme alanında, özellikle de adli ses
analizi kapsamında gerçekleştirilen çalışmaların başarımı, diğer alanlarda kullanılan
makine öğrenmesi yöntemlerinin şiddet sahnesi sınıflandırması alanına
uygulanabileceğini göstermiştir. Bu tez çalışması kapsamında, silah seslerinin ve
video verilerinin şiddet içeren sahnelerinin ses tabanlı sınıflandırılması problemleri ele
alınmıştır. Bu amaçla, makine öğrenmesi metotlarının ve topluluk öğrenmesi
yaklaşımları probleme uygulanmıştır. Yöntemler, performans veri kümeleri üzerinde
karşılaştırmalı olarak incelenmiş ve silah sesleri sınıflandırılması alanında %66,
şiddet sahnesi sınıflandırması alanında %62'ye varan sınıflandırma başarımları elde
edilmiştir.
Nowadays, the increase in violent events has enhanced the importance of forensic
investigations. All accessible auditory and visual data are highly valuable during the
examination to be performed after violent events. Audio forensics analysis contains
determination of location in which violent incident occur and determination of type of
violence. Recently, the location-free and easier access to online content via smart
devices and the increase of content have enhanced the importance of automatical
classification of content. With the rapid growth in the amount of content, it has
become crucial to automatically determine the content that can adversely affect
children and youth. On the other hand, the success of the studies carried out in the
field of signal processing, especially in the context of audio forensic analysis, shows
that the methods of machine learning used in other areas can be applied to the field
of violent scene classification. In this study, we study the problem of gunshot sounds
and violent scene classification. For this purpose, machine learning and ensemble
learning approaches applied to this problem. We examine classification rates of
various machine learning and ensemble learning approaches comperatively and we
achieve classification accuracies of 66% and 62% in audio gunshot classification and
violent scene classification, respectively. | en_US |