这项研究利用元信息来改善零样本音频分类，以鸟类物种作为例子进行了研究，并通过文本描述、功能特征和鸟类生活历史三种元信息的来源，提取了音频特征并采用零样本学习算法得出了最佳结果。

Sep, 2023

深度学习模型在鸟类生物声学中作为强大的工具出现，但是研究中的不一致性对这一领域的进展构成了重大挑战。为了克服这些挑战，我们提出了 BirdSet 基准测试，这是一个统一的框架，通过整体方法来对鸟类生物声学中的鸟叫进行分类。BirdSet 通过将开源鸟类录音整合到一个经过精心策划的数据集合中，为当前模型的基线结果建立了统一的基础，旨在促进可比性、指导后续数据收集，并提高对鸟类生物声学的新手的可访问性。

Mar, 2024

研究使用半监督学习方法通过深度学习和声学监测来掌握鸟类叫声和环境噪声的特征，以提高环境声学数据的分类精度和深入了解环境声学数据的潜在结构。

Aug, 2021

本文针对鸟类声音识别的比赛提出了在半监督数据集注释的情况下采用迁移学习的工作笔记，利用 BirdNET 和 MixIT 模型进行样本表示和标注，实验表明迁移学习和半监督数据集注释在相似任务中有潜力。

Jun, 2023

本研究着眼于设计一种无线传感器网络来支持对濒危鸟类族群的观测。在对样本的声学数据进行知识发现的初步阶段，我们使用从鸟歌中提取的 MFCC 特征和两种知识发现技术（基于聚类的方法和基于预测建模的方法）来分析数据。研究结果表明，机器学习技术在鸟类种类识别过程中具有良好的表现，并为基于声学传感器的自动数据收集方法的设计提供了有希望的结果和指导建议。

Jun, 2013

自监督学习在音频领域具有重要潜力，本研究证明自监督学习可以在无需注释的情况下从音频记录中获取有意义的鸟类声音表示，并展示了这些学习表示能够在少样本学习情景中泛化到新的鸟类物种。另外，使用预训练的音频神经网络，在自监督学习中选择高鸟类激活窗口显著提高了学习表示的质量。

Dec, 2023

在野生动物观测和保护领域中，本研究介绍了一种基于机器学习的方法，利用声音记录和 MEL 频谱图的子区段进行二分类和多类别分类，在分类任务上表现显著优于之前的模型基线。

Jun, 2023

通过建立鸟鸣音的生成模型和采用新颖性检测技术，可以在全球范围内使用廉价的无人值守记录站或使用移动设备上的录音和物种识别进行大规模众包，可靠地识别动物物种的能力受到限制。

May, 2015

该研究探讨了自动化深度学习在多类鸟类声音分类中提高准确性和效率的潜力，与传统手动设计的深度学习模型进行对比。采用西地中海湿地鸟类数据集，研究了使用 AutoKeras（一种自动化机器学习框架）来自动化神经架构搜索和超参数调优。比较分析验证了我们的假设，即 AutoKeras 导出的模型在性能上一直优于传统模型（如 MobileNet、ResNet50 和 VGG16）。该研究突显出自动化深度学习在推动生物声学研究和模型方面的变革潜力，事实上，自动化技术消除了对手动特征工程和模型设计的需求，同时提高了性能。该研究通过样本、评估和报告的最佳实践，提升了这一新兴领域的可复制性。所有使用的代码可在 https://github.com/giuliotosato/AutoKeras-bioacustic 获取。

Nov, 2023

使用现代机器学习技术进行鸟类检测，无需人工重新校准，也不需要针对目标物种或目标环境中的声学条件进行预训练，可在远程监测数据中实现非常高的检索率，达到约 88％的 AUC 性能，并讨论了将这种检测方法整合到远程监测项目中的方法。新的声学监测数据集被提出并进行了详细的性能评估。

Jul, 2018