KDDAug, 2019

AI for Earth: 通过声学监测进行雨林保护

PDF
TL;DR利用声学监控和机器学习技术，提出一种创新方法来帮助保护雨林。通过引入新的卷积神经网络模型来进行环境声音分类，该模型在两个数据集上取得了良好的初步结果，这些模型可在自动化机器学习范式下轻松扩展，并集成到基于云的服务中进行实际部署。
发现论文，激发创造
  • 通过深度学习自动识别鸟类声音：首届鸟类声音检测挑战赛

    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

  • 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

  • 机器学习在野生动物保护中的视角：视野中的生物多样性

    利用机器学习技术，结合生态领域知识，可以提升动物生态学家们对现代传感器技术产生的大量数据的理解和对物种保护的监测能力，最终将生态模型作为机器学习模型的约束条件，从而可靠地估计种群数量、研究动物行为和减缓人类 / 野生动物冲突。

    Oct, 2021

  • 基于深度学习音频分类的自动驾驶车辆环境感知改进

    该文介绍了一个基于深度卷积神经网络的音频分类框架，旨在实现自动驾驶汽车的改进环境感知，并证明了相对于现有的音频分类框架，该框架在自动驾驶汽车相关声音的情况下表现更好。

    Sep, 2022

  • 深度卷积神经网络与数据增强在环境音分类中的应用

    本文提出了一种使用深度卷积神经网络和音频数据增强相结合的方法来进行环境声音分类，通过对增强技术的探索发现在不同类别下所使用的增强技术会对分类准确率产生影响。实验结果表明，该方法在环境声音分类上表现出了最先进的效果。

    Aug, 2016

  • 深度音频嵌入解析鸟鸣

    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

  • 利用声学识别和知识蒸馏在环境音频中实现高效的语音检测

    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

  • 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

  • 基于歌声的濒危鸟类分类技术在保护中的应用

    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

  • 使用一维卷积神经网络进行端到端环境声音分类

    本文介绍了一种基于一维卷积神经网络实现的环境声音分类方法，其可以对任意长度的音频信号进行处理，并采用 Gammaone 滤波器对其进行初始化，通过进行实验，结果表明该方法可以在 UrbanSound8k 数据集上取得 89% 的平均准确率，且性能比大多数现有手工提取特征或使用 2D 表示的方法都要优异。

    Apr, 2019