ICMLMay, 2013

基于人类评分系统和人工神经网络的大型生物声学信号分类

PDF
TL;DR本文提出一种方法，通过结合来自时频谱图的信号特征和人类感知，以提高声音分类性能，该方法利用人工神经网络 (ANN) 学习基于人类感知知识的信号特征，并应用于包含 24 个月几乎连续记录的大型声学数据集，结果表明性能显著提高。
sound classificationtime-frequency spectrogramhuman perceptionartificial neural networkacoustic dataset
发现论文，激发创造
  • 基于显著特征的水声信号识别

    本文提出了一种利用神经网络进行水声信号识别的方法，通过从频谱中提取特征，利用深度学习模型不断学习抽象特征并调整权重，以提高分类性能。

    Dec, 2023

  • 听海之声：使用人类听觉系统的神经模型预测海洋波浪

    将人工神经网络与神经科学整合可显著提高任务性能，通过将回声状态网络重新设计来模拟大脑听觉系统，实现了实时海波预测，为海洋能源生产提供了一个高效的工具。

    Apr, 2024

  • 面向声学生物多样性监测的小型精确卷积神经网络

    通过使用时间索引标签及适当大小的 RF，我们设计出了适用于紧凑低成本设备的小型 CNN 模型，实现了较好的分类性能。

    Dec, 2023

  • 生物声音的自动深度学习

    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 CNN 的声景分类方法比较研究

    本文研究了使用神经网络进行环境声音分类的三种不同类型的表示：谱图、MFCC 和嵌入式表示，并使用不同的 CNN 网络和自编码器来评估它们在分类准确度上的效果。我们发现使用谱图的分类准确度最高，而使用 MFCC 的准确度最低，同时提出了一些指导性的结论和方法来提高声音环境分类的准确度。

    Apr, 2022

  • 利用众包训练数据在未知的声音背景中检测鸟鸣声

    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

  • 工业机器故障诊断的深度神经网络声音信号分析

    设计了基于深度学习的系统来分析工业机器产生的声音信号，将声音信号转换为 Mel 频谱图，并使用 DenseNet-169 模型对谱图图像进行分类，结果表明该方法在不同的声音噪声比水平下实验得到了 97.17% 到 99.87% 的准确率。

    Dec, 2023

  • 神经网络捕捉类人语音识别的成功与关键失败

    本研究通过实验，评估了最先进的神经网络作为 “可计算的、优化的观察者” 在语音识别方面的表现，并发现了人类和人类机理学习中的不同之处，为听觉认知科学和工程之间建立更紧密的联系提供了启示。

    Apr, 2022

  • 利用受监督对比学习进行生物声学少样本检测的预训练表示

    通过数据增强和监督对比学习框架，利用少量标注样本实现了对生物声学应用中的声音事件进行检测和分类的深度学习方法，并在 DCASE 挑战中获得了较好的性能。

    Sep, 2023

  • 使用卷积神经网络和新型声学表示法进行海洋哺乳动物物种分类

    本文介绍了一个卷积神经网络，其能够对三种鲸鱼、非生物噪声和环境噪声进行分类，以便于检测出水声记录中的鲸鱼叫声。作者们还提出一种新的声学信号表示方法，该方法建立在常用的谱图表示的基础上，通过差值和堆叠使用不同的短时傅里叶变换参数生成的多个谱图。该方法特别适用于海洋哺乳动物物种分类的任务中。

    Jul, 2019