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

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

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

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

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

本文介绍了一种基于深度学习技术的无人机航拍水鸟监测的方法，通过使用卷积神经网络对象检测器检测 16 种常见的殖民性海鸟物种，并成功地监测海鸟数量，将有助于评估生态系统健康状况和制定保护管理决策。

Oct, 2022

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

這篇研究論文提出了一種基於 ConvNeXt 骨幹架構和 Prototypical Part Network（ProtoPNet）的音頻分類方法，通過原型模式學習每種鳥類的特徵模式，利用譜圖進行新數據的分類，從而同時提供可解釋性的模型決策解釋。

Apr, 2024

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

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