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

非主动声学监测是一种监测难以通过视觉调查的有声野生动物种群的有效方法。机器学习方法常用于识别目标物种的鸣叫，但很难检测到所有鸣叫并且常常产生误报。我们提出了三种声学空间捕获 - 释放推断的方法，将机器学习的不确定性融入推断过程中，以解决误报问题。通过模拟测试，我们发现在基于海南长臂猿的声学数据场景中，采用我们的方法可以减少 17% 的正向偏差，并且覆盖概率接近标准的 95% 水平。

Aug, 2023

使用知识蒸馏技术设计高效、轻量级的学生模型进行生物声学中的语音检测，并与 EcoVAD 教师模型进行对比分析，结果显示蒸馏模型表现出与教师模型相当的性能，为实时生态监测提供了有希望的方法。

Dec, 2023

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

利用无损声学监测方法追踪全球生物多样性和人类活动对物种的影响，在此工作中，我们提出了一种基于对比语音 - 音频预训练的生物声学模型 BioLingual，该模型能够跨类别识别超过一千种动物的叫声并通过自然语言查询检索动物语音记录。

Aug, 2023

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

通过提供开源代码，本研究旨在降低少样本生物声事件检测的门槛，通过提出一个简单而有效的框架来实现此任务，并通过规范化监督对比预训练来学习能够在新目标任务中进行良好迁移的特征，从而在无特征适应时取得 61.52%（0.48）的高 F 分数，在进一步对新目标任务进行特征适应时获得 68.19%（0.75）的 F 分数。

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

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